{"id":1480,"date":"2022-12-05T19:34:41","date_gmt":"2022-12-05T18:34:41","guid":{"rendered":"https:\/\/www.brainsinitaly.org\/?p=1480"},"modified":"2022-12-05T19:35:42","modified_gmt":"2022-12-05T18:35:42","slug":"meno-e-meglio","status":"publish","type":"post","link":"https:\/\/www.brainsinitaly.org\/en\/meno-e-meglio\/","title":{"rendered":"MENO E&#8217; MEGLIO"},"content":{"rendered":"<p><em>Utilizzando un sistema di machine learning, un gruppo internazionale di ricerca \u00e8 riuscito a ridurre drasticamente l\u2019enorme complesso di equazioni necessario per descrivere il movimento degli elettroni all\u2019interno di un reticolo a griglia. Il nuovo metodo potrebbe favorire lo sviluppo di nuovi materiali superconduttori, e trovare applicazioni anche nel campo della cosmologia e delle neuroscienze<\/em><\/p>\n<p>Grazie all\u2019<strong>intelligenza artificiale<\/strong>, un problema di <strong>fisica quantistica<\/strong> composto da <strong>100.000 equazioni<\/strong> \u00e8 stato ridotto ad un insieme <strong>di appena quattro equazioni<\/strong>, senza per questo sacrificare <strong>l\u2019accuratezza dei risultati<\/strong>. A riuscire nell\u2019impresa \u00e8 stato un gruppo internazionale di studiosi guidato da <strong>Domenico Di Sante<\/strong>, ricercatore al Dipartimento di Fisica e Astronomia dell\u2019Universit\u00e0 di Bologna.<\/p>\n<p>Il nuovo metodo messo a punto dai ricercatori <strong>potrebbe rivoluzionare il modo con cui gli scienziati studiano i sistemi composti da diversi elettroni che interagiscono tra loro<\/strong>: un approccio che potrebbe favorire lo sviluppo di <strong>nuovi materiali superconduttori<\/strong> e <strong>strumenti per la produzione di energia pulita<\/strong>.<\/p>\n<p>&#8220;Il nostro lavoro di ricerca ha mostrato per la prima volta come un enorme insieme di equazioni differenziali <strong>possa essere efficacemente semplificato<\/strong> fino ad arrivare ad un numero di equazioni che si pu\u00f2 contare sulle dita di una mano&#8221;, spiega Di Sante. &#8220;Per farlo, abbiamo sviluppato <strong>specifiche reti neurali<\/strong> che sono alla base di sistemi di deep learning&#8221;.<\/p>\n<p>Il problema su cui si sono concentrati gli studiosi riguarda <strong>il modo con cui gli elettroni si muovono all\u2019interno di un reticolo a griglia<\/strong>. Questa struttura \u2013 nota come \u201cmodello di Hubbard\u201d \u2013 \u00e8 un\u2019idealizzazione che permette agli scienziati di comprendere in che modo possono nascere particolari fasi della materia come ad esempio <strong>la superconduttivit\u00e0<\/strong>, in cui gli elettroni si muovono all\u2019interno di un materiale senza trovare resistenza.<\/p>\n<p>Il \u201cmodello di Hubbard\u201d pu\u00f2 diventare per\u00f2 <strong>molto complesso molto rapidamente<\/strong>. Questo perch\u00e9 quando gli elettroni interagiscono si possono generare situazioni di <strong>entanglement quantistico<\/strong>, in cui diventano intrinsecamente connessi tra loro anche a distanza: ad ogni cambiamento di un elettrone corrisponde un cambiamento in senso opposto dell\u2019altro. Ci\u00f2 significa che su un reticolo a griglia gli elettroni <strong>non possono essere presi in considerazione individualmente<\/strong>, ma \u00e8 necessario prendere in considerazione <strong>il comportamento di tutti gli elettroni contemporaneamente<\/strong>. E per farlo sono necessarie <strong>enormi capacit\u00e0 di calcolo<\/strong>.<\/p>\n<p>\u201cIl modo con cui gli elettroni \u2018comunicano\u2019 tra loro \u00e8 formalizzato <strong>da un numero elevatissimo di cosiddette equazioni differenziali<\/strong>: si tratta di problemi che possono arrivare a comprendere fino a decine di milioni di equazioni\u201d, dice Di Sante. \u201cL\u2019insieme di queste equazioni forma <strong>il linguaggio matematico che permette l\u2019interpretazione fisica di tutti i fenomeni naturali<\/strong>, dal movimento degli astri alle previsioni meteorologiche, fino appunto ai comportamenti quantistici delle particelle elementari\u201d.<\/p>\n<p>La sfida era allora cercare un modo <strong>per semplificare questi problemi senza perdere l\u2019accuratezza del risultato finale<\/strong>. Per farlo, gli studiosi hanno pensato di utilizzare <strong>un sistema di machine learning basato sull\u2019utilizzo di una rete neurale<\/strong>. In una prima fase, il sistema di machine learning crea connessioni all\u2019interno del grande complesso di equazioni da considerare, e in seguito la rete neurale lavora sui punti di forza di queste connessioni fino a trovare un piccolo insieme di equazioni che porta allo stesso risultato finale.<\/p>\n<p>\u201cLo strumento che abbiamo elaborato \u00e8 in grado in pratica di scoprire <strong>percorsi nascosti all\u2019interno di sistemi estremamente complessi<\/strong>\u201d, spiega Di Sante. \u201cE i risultati che abbiamo ottenuto sono davvero sorprendenti, ben oltre le nostre stesse aspettative iniziali\u201d.<\/p>\n<p>Per riuscire ad addestrare il sistema di machine learning in modo da poter restituire risultati efficaci, il programma <strong>ha lavorato incessantemente per intere settimane<\/strong>. Ora per\u00f2, \u00e8 possibile adattarlo per risolvere altri problemi complessi senza dover ricominciare da zero: gli studiosi stanno gi\u00e0 pensando a possibili applicazioni <strong>nel campo della cosmologia e delle neuroscienze<\/strong>.<\/p>\n<ul class=\"wpuf_customs\"><\/ul>","protected":false},"excerpt":{"rendered":"<p>Utilizzando un sistema di machine learning, un gruppo internazionale di ricerca \u00e8 riuscito a ridurre drasticamente l\u2019enorme complesso di equazioni necessario per descrivere il movimento degli elettroni all\u2019interno di un reticolo a griglia. Il nuovo metodo potrebbe favorire lo sviluppo di nuovi materiali superconduttori, e trovare applicazioni anche nel campo della cosmologia e delle neuroscienze [&hellip;]<\/p>\n","protected":false},"author":20,"featured_media":1478,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[73],"tags":[],"_links":{"self":[{"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/posts\/1480"}],"collection":[{"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/users\/20"}],"replies":[{"embeddable":true,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/comments?post=1480"}],"version-history":[{"count":3,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/posts\/1480\/revisions"}],"predecessor-version":[{"id":1546,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/posts\/1480\/revisions\/1546"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/media\/1478"}],"wp:attachment":[{"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/media?parent=1480"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/categories?post=1480"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.brainsinitaly.org\/en\/wp-json\/wp\/v2\/tags?post=1480"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}