La peer review, il meccanismo che da decenni rappresenta il pilastro della validazione scientifica, sta attraversando un momento di seria difficoltà. Per chi non lo sapesse, si tratta di quel processo in cui un articolo scientifico viene esaminato da altri ricercatori esperti nello stesso campo prima di essere pubblicato. Un filtro fondamentale, in teoria. Nella pratica, però, le cose si stanno complicando parecchio.

Il volume delle pubblicazioni scientifiche è esploso negli ultimi anni. I revisori, che svolgono questo lavoro quasi sempre gratuitamente e nel tempo libero, non riescono più a stare dietro alla mole di manoscritti da valutare. I tempi di revisione si allungano, la qualità delle valutazioni cala, e sempre più ricercatori rifiutano gli incarichi di revisione perché semplicemente non hanno le ore per farlo. Il risultato? Articoli che restano in attesa per mesi, a volte oltre un anno, prima di ricevere un feedback. E quando arriva, non sempre è all’altezza di quello che ci si aspetterebbe dal cosiddetto gold standard della scienza.

L’intelligenza artificiale come possibile alleata

Ed è qui che entra in gioco l’intelligenza artificiale. Alcuni editori e piattaforme accademiche hanno iniziato a sperimentare strumenti basati su modelli di linguaggio avanzati per supportare il processo di revisione. L’idea non è sostituire i revisori umani, almeno non del tutto, ma alleggerire il carico. Un sistema di IA può verificare la coerenza statistica, segnalare potenziali errori metodologici, controllare la struttura di un articolo e persino individuare problemi di plagio o manipolazione dei dati.

Sulla carta sembra una soluzione sensata. Eppure porta con sé una serie di problemi etici e pratici che non si possono ignorare. I modelli di IA, per quanto sofisticati, tendono a generare valutazioni che suonano convincenti anche quando sono sbagliate. Le cosiddette “allucinazioni” dei sistemi generativi rappresentano un rischio concreto: un commento di revisione che sembra autorevole ma si basa su informazioni inventate potrebbe fare danni enormi alla qualità della ricerca scientifica.

C’è poi la questione della trasparenza. Se un articolo viene valutato, anche solo parzialmente, da un algoritmo, chi ne risponde? Il revisore che ha firmato la valutazione? L’editore che ha implementato lo strumento? La responsabilità accademica diventa sfumata, e questo è un problema serio in un ambito dove la fiducia è tutto.

Un equilibrio ancora da trovare

Va detto che non tutti nella comunità scientifica vedono l’IA come una minaccia. Alcuni ricercatori accolgono con favore l’idea di avere un supporto tecnologico che li aiuti a svolgere meglio e più velocemente il lavoro di revisione tra pari. Soprattutto nelle discipline dove il numero di sottomissioni è diventato ingestibile, qualsiasi aiuto è benvenuto.

Il punto, però, è che la peer review non è solo un controllo tecnico. È un atto di giudizio, di esperienza, di intuizione maturata in anni di lavoro sul campo. Capire se un esperimento ha senso, se un’interpretazione regge, se una conclusione è davvero supportata dai dati: queste sono competenze profondamente umane. L’intelligenza artificiale può affiancare, suggerire, velocizzare. Ma il giudizio finale, almeno per ora, deve restare nelle mani di chi la scienza la fa davvero. La sfida è trovare quel punto di equilibrio in cui la tecnologia aiuta senza sostituire ciò che rende la revisione scientifica credibile.

L'articolo IA e peer review: può davvero salvare la scienza dalla crisi? proviene da Tecnoapple.

Far scorrere il tempo quantistico al contrario non è più solo un esercizio teorico. Un gruppo di ricercatori del Los Alamos National Laboratory ha sviluppato tecniche di controllo quantistico capaci di far sembrare che un sistema evolva a ritroso nel tempo, ribaltando quella che i fisici chiamano “freccia del tempo”. E come se non bastasse, lungo la strada hanno scoperto un modo inedito per estrarre energia dal processo di misurazione quantistica. Lo studio, pubblicato sulla rivista Physical Review X nel luglio 2026, potrebbe avere ricadute enormi su computer quantistici, batterie quantistiche e tecnologie che oggi sembrano ancora fantascienza.

Il punto di partenza è semplice, almeno a parole. Le leggi fondamentali della fisica, a livello microscopico, funzionano benissimo sia in avanti che all’indietro. Non hanno preferenze. Eppure nella vita quotidiana il tempo va in una sola direzione: il latte versato non torna nella tazza. Questo perché a livello macroscopico emerge una direzione preferenziale, la famosa freccia del tempo, legata all’aumento dell’entropia. A livello quantistico, però, le cose si fanno più interessanti. E manipolabili.

Come si inverte la freccia del tempo in un sistema quantistico

Nella fisica classica, osservare qualcosa non cambia granché. In meccanica quantistica, invece, misurare un sistema ne altera lo stato in modo casuale e irreversibile. È proprio questa irreversibilità a generare una freccia del tempo nei sistemi quantistici. Il team guidato dal fisico Luis Pedro García-Pintos ha trovato il modo di aggirare il problema combinando misurazioni con un sistema di feedback estremamente preciso.

In pratica, i ricercatori hanno progettato un cosiddetto Hamiltoniano di controllo: una sequenza calcolatissima di campi e impulsi che riproduce gli effetti delle misurazioni quantistiche. Inserito in un circuito di retroazione, questo Hamiltoniano può cancellare, amplificare o addirittura sovracorreggere le perturbazioni causate dalle misurazioni stesse. Il risultato? Il sistema segue traiettorie compatibili con un flusso temporale invertito. Non si sta “riavvolgendo” davvero il tempo, sia chiaro, ma il comportamento del sistema diventa indistinguibile da quello che ci si aspetterebbe se il tempo scorresse al contrario.

La cosa ricorda, e non a caso, il celebre esperimento mentale del demone di Maxwell. Quell’ipotetico osservatore del diciannovesimo secolo che separava particelle calde e fredde, sembrando violare il secondo principio della termodinamica. Il “demone quantistico” creato a Los Alamos fa qualcosa di analogo: sfrutta le informazioni sullo stato del sistema per produrre comportamenti termodinamicamente anomali, invertendo di fatto la freccia del tempo quantistico.

Energia dalle misurazioni: verso le batterie quantistiche

Ma la parte forse più sorprendente riguarda l’energia. Le nuove tecniche di controllo permettono di influenzare il flusso energetico dentro e fuori un sistema quantistico in un modo che prima non era possibile. Questo apre la strada a un motore a misurazione continua, capace di estrarre energia utile direttamente dal processo di osservazione. Le misurazioni quantistiche, in questo schema, diventano una risorsa termodinamica vera e propria. Energia che può alimentare altri processi quantistici o essere immagazzinata in una batteria quantistica.

I prossimi passi prevedono dimostrazioni sperimentali con qubit superconduttori, piattaforme che supportano feedback rapidissimo e rilevamento ad alta efficienza. Sono gli stessi sistemi già usati per implementare versioni quantistiche del demone di Maxwell, quindi il terreno è fertile. Il gruppo prevede anche di applicare queste tecniche alla preparazione di stati quantistici più precisi, un tassello fondamentale per rendere i computer quantistici più affidabili.

Quello che emerge da questo lavoro è che il tempo quantistico non è un binario a senso unico. Con gli strumenti giusti, la sua direzione diventa una variabile controllabile. E questo, per la fisica e per la tecnologia, cambia parecchie cose.

L'articolo Freccia del tempo quantistico invertita: la scoperta che cambia tutto proviene da Tecnoapple.

Un gruppo di ricercatori della University of Pennsylvania ha messo a punto un nuovo metodo basato sull’intelligenza artificiale per affrontare uno dei rompicapi matematici che da decenni tiene svegli gli scienziati di mezzo mondo: le equazioni differenziali parziali inverse. Sembra roba da mal di testa, e in effetti lo è. Ma la novità è che questa volta qualcuno ha trovato una scorciatoia elegante, senza limitarsi a buttare più potenza di calcolo sul problema.

Il cuore dell’idea sta nei cosiddetti mollifier layers, strati di elaborazione ispirati a un concetto matematico degli anni Quaranta. La loro funzione? Smussare i dati rumorosi prima di analizzarli, rendendo i calcoli più stabili e molto meno esosi in termini di risorse computazionali. Una differenza enorme rispetto ai metodi tradizionali, che tendevano ad amplificare le imperfezioni a ogni passaggio, un po’ come zoomare su una linea frastagliata e ritrovarsi con un risultato sempre meno affidabile.

Perché queste equazioni contano davvero

Le equazioni differenziali parziali sono lo scheletro della modellazione scientifica. Servono a descrivere come cambiano i sistemi nel tempo e nello spazio: dal meteo alla diffusione del calore, fino all’organizzazione del DNA nelle cellule. Le versioni inverse di queste equazioni fanno qualcosa di ancora più ambizioso. Partono dai dati osservabili e risalgono alle cause nascoste. Come guardare le increspature in uno stagno e capire dove è caduto il sasso.

Il problema è che risolvere queste equazioni inverse è sempre stato un incubo computazionale. I sistemi di intelligenza artificiale tradizionali usano un processo chiamato differenziazione automatica ricorsiva, che però diventa instabile con dati complessi o imprecisi. Il team della Penn ha capito che non serviva un computer più potente, serviva una matematica migliore. E qui entrano in gioco i mollifier layers, che agiscono come un filtro intelligente prima che il sistema inizi a calcolare le variazioni nei dati.

I risultati pubblicati su Transactions on Machine Learning Research parlano chiaro: riduzione significativa del rumore e un crollo dei costi computazionali. Non è un miglioramento incrementale, è un cambio di paradigma nell’approccio al problema.

Dal DNA al meteo: applicazioni che vanno ben oltre il laboratorio

Una delle applicazioni più promettenti riguarda la cromatina, la struttura in cui il DNA si avvolge all’interno del nucleo cellulare. Questi domini misurano appena 100 nanometri, eppure determinano quali geni vengono attivati o spenti. Comprendere le reazioni epigenetiche che governano questo processo potrebbe aprire la strada a nuove terapie contro il cancro e le malattie legate all’invecchiamento.

Se fosse possibile tracciare come cambiano nel tempo i tassi di queste reazioni, si potrebbe non solo osservare la cromatina, ma anche prevedere le sue trasformazioni. E potenzialmente reindirizzare le cellule verso stati desiderati, alterando quei tassi. Un’idea che suona quasi fantascientifica, ma che ora ha una base matematica solida.

Le applicazioni dei mollifier layers, però, non si fermano alla genetica. La ricerca sui materiali, la fluidodinamica, qualsiasi campo che coinvolga equazioni complesse e dati imperfetti potrebbe beneficiare di questo approccio. L’obiettivo dichiarato dal team è tanto semplice da enunciare quanto difficile da realizzare: passare dall’osservazione dei fenomeni alla comprensione quantitativa delle regole che li generano. Perché quando si conoscono le regole di un sistema, si ha anche la possibilità di cambiarlo.

L'articolo IA risolve uno dei problemi matematici più ostici della scienza proviene da Tecnoapple.