Quando l’algoritmo gioca al piccolo Archimede | Festina Lente - Notizie, recensioni e approfondimenti sull’intelligenza artificiale | Turtles AI

L’AI, pur richiedendo supervisione umana, ha ideato configurazioni ottiche per LIGO talmente esotiche da sembrare aliene però funzionanti, potenzialmente incrementando la sensibilità del rilevatore del 10-15 %. Simili approcci trovano applicazione anche in ottica quantistica, fisica delle particelle e materia oscura.

Punti chiave:

• AI ha progettato un anello ottico aggiuntivo di 3 km per ridurre il rumore quantistico, migliorando la sensibilità di LIGO del 10-15 %.
• L’algoritmo “Urania” ha identificato decine di topologie sperimentali non convenzionali per detecteurs gravitazionali, con potenziali guadagni fino a dieci volte.
• In fisica quantistica, software come PyTheus ha semplificato la configurazione per lo scambio d’entanglement, rendendola più comprensibile e realizzabile.
• L’AI sta anche emergendo nell’individuare simmetrie e nel formulare nuove equazioni  ma il salto interpretativo resta affidato all’intelligenza umana.

Immaginate l’AI come un inventore stravagante: senza preconcetti estetici, mescola lenti, specchi, laser in configurazioni surreali. Quando i fisici del Caltech, guidati da Rana Adhikari, hanno permesso a un algoritmo derivato dai lavori di Mario Krenn di esplorare l’enorme spazio delle possibili architetture interferometriche, il risultato era… un caos. Nodi ottici in serie, percorsi intricati, zero simmetria. Tuttavia, dietro quell’aspetto caotico si celava una soluzione efficace: un anello ottico di tre chilometri intrecciato tra bracci della macchina, un escamotage che moltiplicava la sensibilità dei rilevatori di onde gravitazionali. Un’idea apparentemente folle, ma che avrebbe aggiunto, fin dall’inizio, un guadagno rilevante del 10-15 % nella precisione di LIGO.

Un altro progresso notevole è il sistema Urania: una AI che riformula il problema della progettazione come un esercizio di ottimizzazione continua, esplorando configurazioni ex novo. I risultati sono sorprendenti: topologie del tutto inedite che superano anche i modelli umani “next-gen”, promettendo un balzo fino a dieci volte nella sensibilità dei rilevatori. Ad accompagnare questa scoperta, un “zoo” pubblico di oltre cinquanta design di punta destinati a ispirare futuri studi sperimentali.

Allo stesso tempo, in ambito quantistico, strumenti come PyTheus si sono dimostrati rivoluzionari. Partendo da grafi che rappresentano possibili configurazioni sperimentali (divisori di fascio, fotoni e così via), l’AI ha trovato versioni molto più semplici di esperimenti complessi,per esempio lo scambio d’entanglement secondo Zeilinger semplificandoli e rendendoli comprensibili grazie a passi matematici limpidi. In Cina, già a dicembre 2024, il team guidato da Xiao-Song Ma ha confermato la realizzabilità pratica di questa semplificazione.

E non finisce qui: l’AI si fa anche aratro nel terreno dei dati. In fisica delle particelle e cosmologia, modelli di machine learning hanno estratto simmetrie come quelle di Lorentz direttamente da dati sperimentali, senza istruzioni teoriche. Oppure, come nel caso di Kyle Cranmer, hanno individuato nuove funzioni di densità della materia oscura più aderenti ai dati, benché prive di una spiegazione umana chiara (per ora).

A Bologna, l’astrofisica Elena Cuoco, oggi all’Università di Bologna, sfrutta machine learning per separare segnali da rumori nei dati gravitazionali, perfezionando la qualità dei dati per l’Einstein Telescope.

La storia è chiara: l’algoritmo è il forziere di idee radicali; l’essere umano è l’interprete che le traduce in strumenti reali. Nessuna dichiarazione trionfalistica, solo l’evidenza di una collaborazione che arricchisce gli strumenti della scienza, affinando la nostra capacità di sondare l’universo—sia nell’infinitamente piccolo quantistico, sia nello spaziotempo increspato delle onde gravitazionali.