fisica

Subterms

    Latest story

    0 Condivisioni

    Il Nobel per la Fisica a John J. Hopfield e Geoffrey E. Hinton

    by

    Il Premio Nobel per la Fisica del 2024 è stato assegnato a John J. Hopfield e Geoffrey E. Hinton «per le scoperte e le invenzioni fondamentali che consentono l’apprendimento automatico con reti neurali artificiali».Hopfield e Hinton hanno preso in prestito sistemi e strumenti dalla fisica per sviluppare i sistemi di apprendimento automatico (“machine learning”) che oggi fanno funzionare alcuni dei più famosi sistemi di intelligenza artificiale. I loro studi hanno permesso di sviluppare soluzioni per trovare andamenti e modelli nei dati, derivando da questi le informazioni. Il lavoro di Hopfield e Hinton è stato quindi fondamentale per sviluppare le tecnologie che fanno funzionare le reti neurali, cioè i sistemi che provano a imitare le nostre capacità di apprendimento e della memoria.
    Nei primi tempi dell’informatica, gli algoritmi erano scritti dalle persone e la loro principale utilità era di indicare al sistema che cosa fare nel caso di una determinata circostanza, una indicazione piuttosto semplice riassumibile in: “Se si verifica questo allora fai quello”. Algoritmi, codice e altre variabili determinano il funzionamento di un software, cioè di un programma informatico, come il browser sul quale si è caricata la pagina che state leggendo in questo momento. Un algoritmo può essere definito come una sequenza finita di istruzioni per risolvere un determinato insieme di richieste o per calcolare un risultato.
    Ci sono molti ambiti in cui i dati e i “se questo allora quello” da considerare sono tantissimi, una quantità tale da non poter essere gestita con istruzioni scritte a mano: più dati e più variabili portano a più eccezioni da prevedere e indicare al software per dire come comportarsi, ma se le eccezioni sono miliardi il compito non può essere assolto da dieci, cento o mille programmatori.
    Questa difficoltà è stata superata con il machine learning (ML), cioè l’attività di apprendimento dei computer tramite i dati. Mette insieme l’informatica con la statistica, con algoritmi che man mano che analizzano i dati trovando andamenti e ripetizioni, sulla base dei quali possono fare previsioni. L’apprendimento può essere supervisionato, cioè basato su una serie di esempi ideali, oppure non supervisionato, in cui è il sistema a trovare i modi in cui organizzare i dati, senza avere specifici obiettivi.
    Messa in altri termini: per fare una torta il software tradizionale segue una ricetta con l’elenco degli ingredienti e le istruzioni passo passo, mentre un software basato sul ML impara attraverso degli esempi osservando una grande quantità di torte, sbagliando e riprovando fino a quando non ottiene un risultato in linea con la richiesta iniziale. Per farlo ha bisogno di una rete neurale artificiale, un modello di elaborazione dei dati che si ispira al funzionamento delle reti neurali biologiche, come quelle nel nostro cervello.
    Le reti neurali artificiali hanno richiesto decenni per essere sviluppate e perfezionate, con grandi difficoltà legate soprattutto alle ridotte capacità di elaborazione dei computer per buona parte del Novecento. Le cose iniziarono a cambiare nei primi anni Ottanta quando il fisico John Hopfield fissò in un modello matematico i principi per realizzare una rete neurale che simula la nostra capacità di ricordare e di ricostruire le immagini nella nostra mente. Hopfield aveva sviluppato il modello attingendo dalle proprie conoscenze in fisica e in particolare dalle proprietà magnetiche di alcuni materiali che condizionano il comportamento dei loro atomi.
    Una rete di Hopfield funziona memorizzando dei modelli, come immagini e schemi, e poi richiamandoli quando riceve un input parziale oppure distorto come un’immagine incompleta o poco definita. Il sistema prova a minimizzare l’energia complessiva, cioè cerca di raggiungere uno stato stabile riducendo il disordine che rende instabile lo stato di partenza della rete. In pratica, quando la rete riceve un’immagine incompleta o rumorosa, “esplora” varie possibili configurazioni per ridurre l’energia complessiva, finché non trova una configurazione che corrisponde a un modello memorizzato, cioè a un’immagine “stabile” e riconoscibile. In questo modo può dire che una certa immagine mai analizzata prima assomiglia a una delle immagini che ha già in memoria.

    Negli anni seguenti alla pubblicazione del modello di Hopfield, Geoffrey Hinton lavorò a un sistema che aggiungeva alcuni principi di fisica statistica, cioè quella parte della fisica che utilizza metodi statistici per risolvere problemi. Elaborò la “macchina di Boltzmann”, basata sulla distribuzione che porta il nome del fisico austriaco Ludwig Boltzmann.
    La macchina di Boltzmann è un tipo di rete neurale usato per riconoscere particolari schemi nei dati. Per farlo utilizza due tipi di nodi: i nodi visibili, che ricevono l’informazione, e i nodi nascosti, che aiutano a elaborare queste informazioni senza essere visibili direttamente. Questi nodi interagiscono tra loro e influenzano l’energia complessiva della rete.
    La rete funziona aggiornando uno alla volta i valori dei nodi, fino a raggiungere uno stato stabile, in cui il comportamento complessivo della rete non cambia più. Ogni possibile configurazione della rete ha una probabilità, determinata dall’energia della rete stessa. In questo modo, la macchina può generare nuovi modelli partendo da ciò che ha imparato. La macchina impara dagli esempi durante il suo allenamento: i valori delle connessioni tra i nodi vengono aggiornati in modo che i modelli presentati abbiano la probabilità più alta di essere ricreati, quindi più un modello viene ripetuto, più aumenta la probabilità che la rete lo ricordi.

    Con i loro lavori ispirati alla fisica, Hopfield e Hinton hanno dato un contributo fondamentale allo sviluppo del machine learning, soprattutto negli ultimi 15 anni grazie all’aumentata capacità di calcolo dei processori. A distanza di anni, i grandi progressi partiti dalla fisica potrebbero avere importanti ricadute per la fisica stessa con l’elaborazione di nuovi modelli per effettuare misurazioni più accurate, per esempio escludendo il rumore di fondo nello studio delle onde gravitazionali. Le possibilità di impiego dei sistemi di intelligenza artificiale sono comunque sterminate e toccano praticamente qualsiasi ambito della ricerca.
    John J. Hopfield è nato nel 1933 a Chicago, negli Stati Uniti, ed è docente alla Princeton University.Geoffrey E. Hinton è nato nel 1947 a Londra, nel Regno Unito, ed è docente presso l’Università di Toronto in Canada. È stato ricercatore e dirigente di Google, incarico che ha lasciato lo scorso anno sollevando alcune perplessità e preoccupazioni sulla rapida evoluzione di alcuni sistemi di intelligenza artificiale. LEGGI TUTTO

    More stories

    • 0 Condivisioni

      in Scienza

      Dove finisce la chimica?

      by

      Caricamento playerAlla fine del 2015 l’Unione internazionale di chimica pura e applicata (IUPAC) introdusse un importante aggiornamento della tavola periodica degli elementi, lo schema che mostra gli elementi chimici in base alle loro principali caratteristiche. I responsabili della IUPAC aggiunsero nihonio, moscovio, tennesso e oganesson, completando per la prima volta la settima riga (“periodo”) della tavola. Erano quattro nuovi elementi “superpesanti” scoperti e sintetizzati negli anni precedenti da laboratori alla ricerca della risposta a una delle domande più affascinanti e sfuggenti di sempre, con grandi implicazioni sulla nostra capacità di comprendere come funziona praticamente tutto: dove finisce la chimica?
      Negli anni se lo sono chiesto in molti, ma già oltre un secolo e mezzo fa la questione aveva probabilmente incuriosito Dmitrij Ivanovič Mendeleev, il chimico russo che trovò il modo di ordinare ossigeno, carbonio, ferro e tutti gli altri elementi scoperti – e ancora da scoprire – in una tabella per poterli classificare. Una prima versione del suo schema fu presentata nei primi mesi del 1869, mettendo le basi per lo studio e la ricerca di elementi all’epoca ancora ignoti che avrebbero permesso di riempire le caselle mancanti. In alcuni casi fu necessario più di un secolo per riuscirci, mentre già si ipotizzava che ci potessero essere ancora altri elementi che avrebbero resa necessaria l’aggiunta di nuove caselle nella tavola di Mendeleev.
      Nella tavola periodica, quella che studiano ogni anno milioni di studenti delle scuole superiori, le righe si chiamano periodi e ciascuno ospita gli elementi in una sequenza basata sul loro numero atomico, che indica la quantità di protoni contenuti nel nucleo (la parte centrale e densa di un atomo, formata da protoni che possiedono carica positiva e neutroni, invece privi di carica).
      Ogni nuovo periodo inizia dopo un gas nobile e il primo elemento è sempre un metallo alcalino, con un numero atomico più grande di un’unità rispetto all’elemento con cui si era conclusa la riga precedente. Nei sette periodi della tavola, i metalli sono sulla sinistra e gli altri tipi di elementi sulla destra. Ne consegue che man mano che ci si sposta lungo una riga verso destra si trovano elementi via via più pesanti, con caratteristiche differenti da metallo a gas.
      (Wikimedia)
      Se si legge la tavola in verticale, le colonne (gruppi o famiglie) contengono elementi con caratteristiche chimiche simili. Hanno per esempio una stessa configurazione elettronica esterna, cioè elettroni che si comportano allo stesso modo attorno ai nuclei dei loro atomi. Esistono 18 gruppi e si va da quello dei metalli alcalini fino a quello dei gas nobili.
      Gli elementi con numero atomico da 1 a 118 occupano i sette periodi della tavola periodica, ma come abbiamo visto non è sempre stato così. Per lungo tempo la tavola ebbe alcuni buchi, dovuti alla difficoltà di trovare in natura gli elementi che ci si attendeva di avere tra una casella e un’altra, o alla difficoltà di sintetizzarli nel caso in cui fosse impossibile reperirli nell’ambiente. Per questo si dice spesso che i primi 94 elementi sono tutti “naturali”, mentre quelli da 95 a 118 vengono definiti talvolta “artificiali” o “sintetici”, anche se la distinzione e la definizione sono dibattute.
      In questa ultima categoria ricadono anche gli elementi superpesanti, a partire dal rutherfordio che ha numero atomico 104. La loro caratteristica principale è quella di essere piuttosto schivi, al punto da preferire quasi sempre di non esistere o di farlo per pochissimo tempo. I nuclei dei loro atomi tendono a perdere pezzi, o per meglio dire a decadere, in alcuni casi pochi istanti dopo la loro creazione. Per questo è così difficile crearli, studiarli e immaginare applicazioni in cui potrebbero essere utili, per lo meno allo stato attuale delle conoscenze.
      Le fabbriche degli elementi superpesanti sono relativamente poche perché richiedono particolari acceleratori di particelle: sofisticati strumenti che vengono utilizzati per far scontrare tra loro gli atomi in modo che si uniscano producendo un elemento più pesante. Tra i vari centri, il Lawrence Berkeley National Laboratory (LBNL) in California è probabilmente il più conosciuto, per lo meno per una delle tante dispute che hanno riguardato la storia della chimica. Tra la fine degli anni Sessanta e l’inizio dei Settanta, il laboratorio confermò di avere sintetizzato per la prima volta il rutherfordio, anche se un altro laboratorio nell’Unione Sovietica, l’Istituto unito per la ricerca nucleare di Dubna (JINR), anni prima aveva segnalato la prima rivelazione del nuovo elemento.
      Parte dell’Electron Cyclotron Resonance presso il Lawrence Berkeley National Laboratory (Berkeley Lab)
      La disputa nacque intorno al nome da dare, visto che i ricercatori sovietici proponevano di chiamarlo dubnio come la città in cui era avvenuta la scoperta o kurchatovio in onore di Igor Kurchatov, tra i principali fautori del programma di ricerca nucleare sovietico. La controversia fu risolta solamente nel 1997, quando la IUPAC decise di adottare il nome rutherfordio, in onore di Ernest Rutherford, il fisico neozelandese considerato il padre della fisica nucleare.
      Ancora oggi l’LBNL negli Stati Uniti e il JINR in Russia sono i centri di riferimento per la ricerca dei nuovi elementi, insieme alla Società per la ricerca sugli ioni pesanti a Darmstadt in Germania. Dagli anni Ottanta in particolare, i tre centri si sarebbero fatti una serrata concorrenza nella ricerca e nella produzione di nuovi elementi. Nel corso del tempo alla competizione si sarebbero aggiunti altri laboratori, che ancora oggi studiano il mondo sfuggente degli elementi superpesanti con un obiettivo molto ambizioso: trovare nuovi elementi che siano stabili, al punto da durare anni se non secoli prima di decadere in modo significativo.
      Per produrre uno di questi elementi si parte da un fascio di ioni pesanti (solitamente nuclei di atomi privati dei loro elettroni) che viene orientato verso un bersaglio, cercando di vincere la forza di repulsione tra i nuclei (sono entrambi positivi) e di farli unire. A seconda dei laboratori e dei risultati che si vogliono ottenere si seguono vari approcci con strumentazioni ed elementi diversi. Si usano microonde e campi magnetici molto intensi per rimuovere gli elettroni dall’elemento di partenza (spesso si usa il calcio) e gli ioni ottenuti vengono poi fatti passare attraverso un acceleratore, in modo che raggiungano velocità pari al 5-20 per cento di quella della luce, che è di circa 300 milioni di metri al secondo.
      Raggiunta la velocità desiderata, il fascio di ioni viene indirizzato verso il bersaglio, costituito da un elemento diverso a seconda del numero atomico finale che si sta provando a ottenere. Per ottenerne uno pari a 114 si parte dal calcio che ha numero atomico 20 e si usa come bersaglio il plutonio che ha invece numero atomico 94. Fare centro è però molto difficile e per questo si utilizzano enormi quantità di ioni in modo da rendere più probabile una collisione. Quando si riesce a ottenere un nucleo superpesante, questo viene rallentato e guidato in altri strumenti per essere misurato: è il momento in cui si ha la conferma di avere ottenuto un risultato.

      La misurazione finale non è semplice, così come la possibilità di poter fare qualcosa prima del decadimento dell’elemento appena ottenuto. In breve tempo infatti questi nuclei atomici instabili si trasformano (o per meglio dire “trasmutano”) in nuclei di energia inferiore; il riferimento è il tempo di dimezzamento, cioè quanto ci mette la metà degli atomi di un campione radioattivo a decadere. Nel caso di diversi superelementi, per riuscire a sperimentare e studiare reazioni chimiche con altri elementi è necessario almeno un tempo di dimezzamento di mezzo secondo.
      La difficoltà nel produrli e in molti casi il poco tempo per fare esperimenti spiega come mai sappiamo ancora poche cose su molti elementi superpesanti, al punto da non essere certi della loro classificazione nella tavola periodica, o per meglio dire della possibilità di continuare a utilizzare la tabella come prima. L’oganesson (118) è nella posizione dei gas nobili, l’ultima colonna a destra, ma secondo alcuni gruppi di ricerca probabilmente non è un gas. Ipotizzano che sia un solido in condizioni standard e che diventi un liquido quando viene portato a 52 °C.
      Il particolare comportamento di questi metalli è dovuto al modo in cui si distribuiscono gli elettroni nei loro atomi e al modo in cui interagiscono, raggiungendo altissime velocità quasi prossime a quelle della luce. In queste condizioni si verificano effetti relativistici che hanno conseguenze più importanti rispetto a quelli che si verificano negli elementi più leggeri. Studiandoli i gruppi di ricerca hanno l’opportunità di capire meglio il funzionamento di alcuni fenomeni nella fisica dell’infinitamente piccolo, che potrebbero poi essere applicati in altri ambiti della ricerca sulla materia, le sue caratteristiche e il suo funzionamento.
      I più ottimisti pensano inoltre che procedendo con questi esperimenti si possa approdare un giorno all’”isola della stabilità“, un modo per definire il luogo dove idealmente si trovano versioni (isotopi) di elementi transuranici particolarmente stabili e che quindi decadono molto lentamente rispetto ai tempi finora osservati. In questo modo potrebbero diventare utilizzabili non solo per ricerche più approfondite, ma anche per lo sviluppo di qualcosa che oggi non riusciamo a immaginare come materiali con insolite proprietà.
      La ricerca di base funziona del resto in questo modo, come ha ammesso di recente a Scientific American Jacklyn Gates, responsabile del gruppo di ricerca sugli elementi pesanti a Berkeley: «Tutto ciò che facciamo ora… non ha applicazioni pratiche. Ma se pensi ai nostri telefoni cellulari e a tutte le tecnologie che ci sono finite dentro, beh quelle tecnologie risalgono fino all’età del bronzo. Le persone all’epoca non avevano certo idea che la loro scoperta sarebbe finita in questi dispositivi cui siamo sempre incollati e dai quali siamo fortemente dipendenti. Quindi gli elementi superpesanti possono essere utili? Forse non in questa generazione, ma magari tra una o due potremo disporre di migliori tecnologie che ci rendano le cose e la vita un poco più semplici». LEGGI TUTTO