Contattaci

Fisica

L’intelligenza artificiale ha problemi con il mondo reale

Gli ultimi sistemi d’intelligenza artificiale diventano campioni a un gioco nel giro di poche ore partendo da zero. Ma i ricercatori stanno cercando di applicare questi sistemi anche a problemi della vita reale, che tuttavia per ora le macchine non riescono ad affrontare in modo efficace a causa della loro complessità

Pubblicato

il

Fino a poco tempo fa, le macchine il grado di sconfiggere i campioni erano almeno abbastanza rispettose da iniziare imparando dall’esperienza umana.
Nel 1997, per battere Garry Kasparov a scacchi, gli ingegneri dell’IBM hanno usato secoli di saggezza degli scacchi nel loro computer Deep Blue. Nel 2016, AlphaGo di Google DeepMind ha battuto il campione Lee Sedol nell’antico gioco da tavolo Go dopo aver esaminato milioni di posizioni di decine di migliaia di partite umane.

Ma ora i ricercatori di intelligenza artificiale stanno ripensando il modo in cui i loro bot integrano la totalità della conoscenza umana. La tendenza attuale è: non disturbarti.

Nell’ottobre 2017, il gruppo di DeepMind ha pubblicato i dettagli di un nuovo sistema per giocare a Go, AlphaGo Zero, che non ha studiato affatto partite umane. Invece, ha iniziato con le regole del gioco e ha giocato contro se stesso. Le prime mosse sono state completamente casuali. Dopo ogni partita, ha acquisito nuove conoscenze su che cosa lo aveva portato a una vittoria e che cosa no. Alla fine di questi allenamenti, AlphaGo Zero si è scontrato con la versione superumana di AlphaGo che aveva sconfitto Lee Sedol. E ha vinto 100 partite a zero.

Il gruppo ora ha creato un altro giocatore esperto della famiglia di AlphaGo, chiamato semplicemente AlphaZero. In un articolo pubblicato su” Science”, i ricercatori di DeepMind hanno rivelato che, dopo aver ricominciato da zero, AlphaZero addestrato ha superato in prestazioni AlphaGo Zero, in altre parole, ha battuto il bot che ha battuto il bot che ha battuto i migliori giocatori di Go nel mondo. (L’articolo è stato pubblicato per la prima volta sul sito di preprint scientifico arxiv.org nel dicembre 2017.) E quando gli sono state fornite le regole per gli scacchi o lo shogi, variante giapponese degli scacchi, AlphaZero ha imparato rapidamente a sconfiggere

anche gli algoritmi di alto livello nati su misura per quei giochi. Gli esperti si sono meravigliati dello stile aggressivo e inconsueto del programma. “Mi sono sempre chiesto come sarebbe stato se una specie superiore fosse arrivatasulla Terra e ci avesse mostrato come gioca a scacchi”, ha detto il grande maestro danese Peter Heine Nielsen a un intervistatore della BBC. “Adesso lo so.”

L’anno scorso hanno visto la luce anche bot di autoapprendimento ultraterreno in ambientazioni molto diverse come il poker no-limit e Dota 2, un popolare videogioco on line multiplayer in cui eroi a tema fantasylottano per il controllo di un mondo alieno.

Ovviamente, le aziende che investono denaro in questi e altri sistemi simili hanno ambizioni più grandi che dominare i tornei di videogiochi. I gruppi di ricerca come DeepMind sperano di applicare metodi simili a problemi del mondo reale, come la costruzione di superconduttori a temperatura ambiente, o la comprensione degli origami necessari per ripiegare le proteine in potenti molecole farmacologiche. E, naturalmente, molti addetti ai lavori sperano di realizzare un’intelligenza artificiale generale, un obiettivo mal definito ma accattivante in cui una macchina potrebbe pensare come una persona, con la versatilità sufficiente per affrontare molti diversi tipi di problemi.

Tuttavia, nonostante gli investimenti su questi sistemi, non è ancora chiaro fino a che punto le tecniche attuali possano andare oltre il tavolo da gioco. “Non sono sicuro che le idee di AlphaZero si possano generalizzare facilmente”, ha detto Pedro Domingos, informatico dell’Università di Washington. “I giochi sono una cosa assai insolita.”

Obiettivi perfetti per un mondo imperfetto
Una caratteristica condivisa da molti giochi, scacchi e Go inclusi, è che i giocatori possono vedere tutti i pezzi su entrambi i versanti in ogni momento. Ogni giocatore ha sempre quella che viene definita “informazione perfetta” sullo stato del gioco. Per quanto diabolicamente complesso diventi il gioco, tutto ciò che occorre fare è pensare in avanti rispetto alla situazione corrente.

Tante situazioni reali non sono così. Immaginiamo di chiedere a un computer di diagnosticare una malattia o condurre una trattativa d’affari. “La maggior parte delle interazioni strategiche del mondo reale coinvolgono informazioni nascoste”, ha detto Noam Brown, studente di dottorato in informatica alla Carnegie Mellon University. “Ho la sensazione che ciò è stato trascurato dalla maggior parte della comunità dell’intelligenza artificiale”.

Il poker, in cui Brown è specializzato, pone una sfida diversa. Non si possono vedere le carte dell’avversario. Ma anche qui le macchine che imparano giocando contro se stesse stanno ora raggiungendo livelli sovrumani. Nel gennaio 2017, un programma chiamato Libratus creato da Brown e dal suo consulente, Tuomas Sandholm, ha battuto quattro giocatori professionisti di poker al Texas Hold ‘em testa a testa, no-limit, finendo 1,7 milioni di dollari davanti ai suoi avversari alla fine di una gara di 20 giorni.

Un gioco ancora più scoraggiante che coinvolge informazioni imperfette è StarCraft II, un altro videogioco on line multiplayer con un vasto seguito. I giocatori scelgono una squadra, costruiscono un esercito e combattono una guerra in un paesaggio di fantascienza. Ma quel paesaggio è avvolto da una nebbia di guerra che consente solo ai giocatori di vedere le aree in cui hanno soldati o edifici. Anche la decisione di andare in ricognizione tra le linee nemiche è piena di incertezze.

Questo è un gioco che l’intelligenza artificiale non può ancora affrontare. Gli ostacoli al successo includono il numero di mosse in una partita, che spesso arrivano a migliaia, e la velocità con cui devono essere fatte. Ogni giocatore – essere umano o macchina – deve preoccuparsi di una vasta serie di possibili futuri con ogni click.

Per ora, un testa a testa con i migliori esseri umani in questa arena è fuori dalla portata dell’intelligenza artificiale. Ma è un obiettivo. Nell’agosto 2017, DeepMind ha stretto una accordo con Blizzard Entertainment, l’azienda che ha realizzato StarCraft II, per fornire gli strumenti che, secondo loro, aiuteranno ad aprire il gioco ai ricercatori di intelligenza artificiale.

Nonostante le sfide, StarCraft II si riduce a un obiettivo che può essere enunciato in modo semplice: elimina il tuo nemico. È qualcosa che condivide con scacchi, Go, poker, Dota 2 e praticamente ogni altro gioco. Nelle partite, si può vincere.

Dal punto di vista dell’algoritmo, i problemi devono avere una “funzione obiettivo”, cioè un obiettivo da perseguire. Quando AlphaZero ha giocato a scacchi, non è stato così difficile. Una sconfitta contava come meno uno, un pareggio zero e una vittoria più uno. La funzione obiettivo di AlphaZero era di massimizzare il suo punteggio. La funzione obiettivo di un bot per il poker è altrettanto semplice: vincere un sacco di soldi.

intelligenza artificiale

(Credit: iSock/PhonlamaiPhoto)

 

Le situazioni della vita reale non sono così semplici. Per esempio, un’automobile che guida da sola ha bisogno di una funzione obiettivo più sfumata, qualcosa di simile al tipo di frase che useremmo per esprimere un desiderio al genio della lampada. Per esempio: portare tempestivamente il passeggero alla giusta destinazione, rispettare tutte le leggi e valutare adeguatamente il valore della vita umana in situazioni pericolose e incerte. Il modo in cui i ricercatori realizzano la funzione obiettivo, ha affermato Domingos, “è una delle cose che distingue un grande ricercatore di apprendimento automatico dalla media”.

Consideriamo Tay, un chatbot di Twitter rilasciato da Microsoft il 23 marzo 2016. L’obiettivo di Tay era coinvolgere le persone, e così è stato. “Quello che sfortunatamente Tay ha scoperto – ha detto Domingos, – era che il modo migliore per massimizzare il coinvolgimento era pubblicare insulti razzisti.” È stato messo off-line dopo nemmeno un giorno.

Il nostro peggior nemico
Alcune cose non cambiano. I metodi usati dai bot di gioco dominanti oggi usano strategie inventate decenni fa. “È quasi un tuffo nel passato, solo con più calcoli”, ha detto David Duvenaud, informatico dell’Università di Toronto.

Le strategie spesso si basano sull’apprendimento per rinforzo, una tecnica basata sul non intervento. Invece di eseguire un algoritmo con istruzioni dettagliate, gli ingegneri lasciano che la macchina esplori un ambiente, in modo che impari a raggiungere gli obiettivi per prove ed errori. Prima del rilascio di AlphaGo e dei suoi eredi, il gruppo di DeepMind ha ottenuto il suo primo grande risultato da prima pagina nel 2013, quando ha usato l’apprendimento per rinforzo per creare un bot che ha imparato a giocare sette giochi Atari 2600, tre dei quali a livello esperto.

Questi progressi sono continuati. Il 5 febbraio scorso, DeepMind ha presentato IMPALA, un sistema di intelligenza artificiale in grado di apprendere 57 giochi Atari 2600, più altri 30 livelli costruiti da DeepMind in tre dimensioni. In questi, il giocatore girovaga attraverso diversi ambienti, raggiungendo obiettivi come sbloccare porte o raccogliere funghi. IMPALA sembra trasferire conoscenza tra i compiti, il che significa che il tempo trascorso a giocare a un gioco aiuta anche a migliorare le prestazioni negli altri.

Ma nella più ampia categoria di apprendimento per rinforzo, giochi da tavolo e giochi multiplayer permettono un approccio ancora più specifico. Qui, l’esplorazione può assumere la forma di gioco solitario, o selfplay, in cui un algoritmo acquisisce la supremazia strategica combattendo ripetutamente con la copia di se stesso.

Questa idea risale a decenni fa. Negli anni cinquanta, l’ingegnere dell’IBM Arthur Samuel creò un programma per giocare a dama che imparava in parte facendo scontrare un lato alfa contro un lato beta. E negli anni novanta, Gerald Tesauro, anch’egli di IBM, costruì un programma di backgammon che metteva l’algoritmo contro se stesso. Il programma raggiunse livelli di esperti umani, escogitando via via strategie non ortodosse ma efficaci.

Partita dopo partita, l’algoritmo di un sistema self-play affronta un avversario dello stesso livello. Ciò significa che i cambiamenti nella strategia portano a risultati diversi, fornendo un feedback immediato all’algoritmo. “Ogni volta che impari qualcosa, ogni volta che scopri una piccola cosa, il tuo avversario la usa immediatamente contro di te”, ha detto Ilya Sutskever, direttore della ricerca di OpenAI, organizzazione no profit, che ha co-fondato con Elon Musk, dedicata allo sviluppo e alla condivisione della tecnologia dell’intelligenza artificiale con l’obiettivo di arrivare ad applicazioni sicure. Nell’agosto 2017, l’organizzazione ha rilasciato un bot Dota 2 che controlla il personaggio Shadow Fiend, una sorta di demone-negromante che ha battuto i migliori giocatori del mondo nelle battaglie uno contro uno. Un altro progetto OpenAI mette l’uno contro l’altro esseri umani simulati in un incontro di sumo, dove finiscono per auto-apprendere come attaccare e fare finte. Durante il self-play, “non puoi mai stare fermo, devi sempre migliorare”, ha detto Sutskever.

Ma la vecchia idea del self-play è solo un ingrediente dei bot dominanti di oggi, che hanno anche bisogno di un modo per tradurre le loro esperienze di gioco in una comprensione più profonda. Chess, Go e videogiochi come Dota 2 hanno molte più permutazioni di quanti siano gli atomi nell’universo. Anche nel corso di molte vite trascorse a combattere la propria ombra in arene virtuali, una macchina non può affrontare tutti gli scenari, prendere nota in una tabella e consultare quella tabella quando si trova di nuovo la stessa situazione.

intelligenza artificiale

Credit: iSock/PhonlamaiPhoto)

 

Per rimanere a galla in questo mare di possibilità, “è necessario generalizzare, catturare l’essenza”, ha detto Pieter Abbeel, informatico dell’Università della California a Berkeley. Deep Blue di IBM ha fatto questo con la sua formula di scacchi intrinseca. Dotato della capacità di valutare l’efficacia di posizioni sulla scacchiera che non aveva mai visto prima, poteva adottare mosse e strategie per incrementare le sue possibilità di vittoria. Negli ultimi anni, tuttavia, una nuova tecnica ha permesso di oltrepassare del tutto la formula. “Ora, all’improvviso, la ‘rete profonda’ cattura tutto questo”, ha detto Abbeel.

Le reti neurali profonde, o deep neural networks, che hanno accresciuto la loro popolarità negli ultimi anni, sono costruite con strati di “neuroni” artificiali che si sovrappongono come in un pancake. Quando i neuroni in un livello si attivano, inviano segnali allo strato successivo, che li invia allo strato successivo e così via.

Modificando il modo in cui gli strati si connettono, queste reti diventano molto abili nel trasformare gli input in output correlati, anche se la connessione sembra astratta. Date loro una frase in inglese, e potrebbero addestrarsi a tradurla in turco. Date loro foto di un rifugio per animali e potrebbero identificare quali contengono gatti. Oppure mostrate loro una scacchiera e potrebbero intuire le loro probabilità di vittoria. In genere, però, è necessario prima dare a queste reti una serie di esempi contrassegnati su cui esercitarsi.

Ecco perché self-play e reti neurali profonde si integrano così bene. Il self-play sforna continuamente raccolte di partite, dando alle reti neurali profonde la serie teoricamente illimitata dei dati di cui hanno bisogno per insegnare a se stesse. A loro volta, le reti neurali profonde offrono un modo per interiorizzare esperienze e schemi incontrati nel self-play.

Ma c’è un problema. Per produrre dati utili, i sistemi self-play hanno bisogno di un luogo realistico in cui giocare.

“Tutti questi giochi, tutti questi risultati, sono emersi in ambienti in cui è possibile simulare perfettamente il mondo”, ha dichiarato Chelsea Finn, studentessa di dottorato di Berkeley che usa l’intelligenza artificiale per controllare bracci robotizzati e interpretare i dati dai sensori. Altri domini non sono così facili da simulare.

Le automobili a guida autonoma, per esempio, hanno difficoltà a gestire il maltempo o i ciclisti. Oppure potrebbero non elaborare le bizzarre possibilità che si presentano nei dati reali, come un uccello che per caso vola direttamente verso la videocamera dell’auto. Per i bracci robotici, ha detto Finn, le simulazioni iniziali forniscono la fisica di base, permettendo al braccio almeno di imparare in che modo apprendere. Ma non riescono a catturare i dettagli che riguardano il contatto con le superfici, il che significa che compiti come avvitare un tappo di bottiglia o condurre una complessa procedura chirurgica richiedono anche un’esperienza del mondo reale.

Per problemi difficili da simulare, quindi, il self-play non è così utile. “C’è un’enorme differenza tra un vero modello perfetto dell’ambiente e uno valutato e appreso, soprattutto quando questa realtà è complessa”, ha scritto Yoshua Bengio, pioniere del deep learning all’Università di Montreal, in una email. Ma ciò lascia ancora ai ricercatori della intelligenza artificiale alcune strade per andare avanti.

La vita oltre i giochi
È difficile individuare l’alba della supremazia dell’intelligenza artificiale nei giochi. Si potrebbe scegliere la sconfitta di Kasparov negli scacchi, o la disfatta di Lee Sedol per mano virtuale di AlphaGo. Un’altra opzione popolare sarebbe il momento in cui il leggendario campione di Jeopardy!(quiz televisivo statunitense, in cui i concorrenti si sfidano sulla cultura generale sulla base di indizi) Ken Jennings è stato sconfitto da Watson dell’IBM nel 2011. Watson poteva analizzare gli indizi del gioco e gestire i giochi di parole. L’incontro, durato due giorni, non era equilibrato. “Io per primo do il benvenuto ai nostri nuovi padroni computerizzati”, ha scritto Jennings sotto la sua risposta finale.

Watson sembrava dotato del tipo di abilità che gli esseri umani usano in una serie di problemi del mondo reale. Poteva prendere un suggerimento in inglese, frugare tra i documenti pertinenti alla velocità della luce, trovare i frammenti di informazioni attinenti e fornire una singola migliore risposta. Ma sette anni dopo, il mondo reale continua a presentare sfide ostinatamente ardue per l’intelligenza artificiale. Un rapporto pubblicato a settembre dalla rivista sanitaria “Stat” ha rilevato che la ricerca e la progettazione di trattamenti personalizzati per il cancro, cercati da Watson for Oncology, erede di Watson, si stanno dimostrando difficili.

“Le domande in Jeopardy! sono più facili, nel senso che non hanno bisogno di molto senso comune”, ha scritto Bengio, che ha collaborato con il gruppo di Watson, quando gli è stato chiesto di confrontare i due casi dal punto di vista dell’intelligenza artificiale. “Capire un articolo di medicina è molto più difficile. Sono necessarie ancora molte ricerche di base”.

“Per quanto speciali siano i giochi, ci sono ancora problemi del mondo reale che sono simili. I ricercatori di DeepMind hanno rifiutato di essere intervistati per questo articolo, citando il fatto che il loro lavoro con AlphaZero è attualmente sottoposto a revisione tra pari. Ma il gruppo ha suggerito che le sue tecniche potrebbero presto aiutare i ricercatori in campo biomedico che vorrebbero comprendere il ripiegamento delle proteine.

Per fare questo, hanno bisogno di capire come i vari amminoacidi che formano una proteina si ripiegano in una piccola macchina tridimensionale con una funzione che dipende dalla sua forma. Ciò è complicato quanto lo sono gli scacchi: i chimici conoscono abbastanza bene le regole per calcolare scenari specifici, ma ci sono ancora così tante configurazioni possibili, che cercare tra di esse è un compito senza speranza. Ma che cosa succederebbe se il ripiegamento delle proteine potesse essere configurato come un gioco? In realtà, è già stato fatto. Dal 2008, centinaia di migliaia di giocatori umani si sono cimentati con Foldit, un gioco on line in cui gli utenti ricevono un punteggio in base alla stabilità e alla fattibilità delle strutture proteiche che ripiegano. Una macchina potrebbe allenarsi in modo simile, forse cercando di battere il suo precedente punteggio migliore con l’apprendimento generale per rinforzo.

Anche apprendimento per rinforzo e self-play potrebbero aiutare ad addestrare sistemi di dialogo, suggerisce Sutskever. Ciò darebbe ai bot che hanno intenzione di parlare agli esseri umani la possibilità di addestrarsi parlando a se stessi. E considerando che l’hardware specializzato per l’intelligenza artificiale sta diventando più veloce e più disponibile, gli ingegneri avranno un incentivo a mettere sempre più problemi in forma di giochi. “Penso che in futuro il self-play e altri modi di consumare una grande quantità di potenza di calcolo diventeranno sempre più importanti”, ha affermato Sutskever.

Ma se l’obiettivo finale è che le macchine possano fare ciò che fanno gli esseri umani, anche per un campione di gioco da tavolo generalista autodidatta come AlphaZero si apre una strada. “Secondo me, è necessario vedere che cosa è realmente un grande divario tra le attività reali del pensiero, l’esplorazione creativa delle idee e quello che attualmente vediamo nell’IA”, ha detto Josh Tenenbaum, scienziato cognitivo del Massachusetts Institute of Technology. “Quel tipo di intelligenza è lì, ma rimane per lo più nella mente dei grandi ricercatori di intelligenza artificiale”.

“Molti altri ricercatori, consapevoli del clamore che circonda il loro campo, mettono a disposizione le proprie competenze. “Farei attenzione a non sopravvalutare il significato di giocare a questi giochi, per l’intelligenza artificiale o per i lavori in generale. Gli esseri umani non sono molto bravi nei giochi”, ha detto François Chollet, che si occupa di ricerca nel campo del deep-learning per Google.

“Ma occorre tenere presente che strumenti molto semplici e specializzati possono effettivamente ottenere molto”, ha affermato.

(L’originale di questo articolo è stato pubblicato il 21 febbraio 2018 e aggiornato il 6 dicembre da QuantaMagazine.org



Licenza Creative Commons




Detective presso Computer Crime Research Center. Investigazioni Roma. Ingegneria Elettronica e delle Telecomunicazioni Seminario Analisi del Crimine Violento Università di Roma

Continua a leggere
Clicca per commentare

Lascia un commento

Per commentare puoi anche connetterti tramite:



Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Fisica

Arriva il primo “robot vivente”, creato con cellule staminali

Deriva da cellule staminali di rana, il nuovo robot vivente non è né una macchine tradizionale né una nuova specie animale. Ecco cos’è e perché potrebbe essere molto utile in medicina e per combattere l’inquinamento

Pubblicato

il

In futuro i robot saranno sempre più spesso ispirati alle nostre caratteristiche biologiche. Ma oggi il mondo delle tecnologie ci stupisce con una proposta finora inedita: un gruppo di ricerca ha creato un nuovo prototipo che non solo prende ispirazione dalla biologia ma che  è interamente costituito da materiale biologico. I creatori, dell’università del Vermont e di Tuft, parlano per questo di robot vivente, primo nel suo genere, una macchina minuscola, per niente somigliante all’idea che abbiamo di robot – quella dell’automa. Le applicazioni potrebbero riguardare diversi campi, dalla ricerca delle contaminazioni radioattive ad usi clinici. I risultati sono pubblicati su Proceedings of the National Academy of Sciences.

Negli anni scorsi ci sono stati dei tentativi anche di successo di creare organismi viventi semi-sintetici. In questo caso parliamo di un oggetto molto diversi, come spiegano gli scienziati, che hanno progettato e realizzato la “prima macchina biologica interamente messa su a partire dal nulla”, o meglio da cellule. I ricercatori la hanno chiamata xenobot perché deriva dall’elaborazione di cellule staminali della rana africana Xenopus laevi, spesso utilizzata come modello animale nella ricerca in biologia. “Il dna dell’organismo realizzato è al 100% quello della rana”, specifica Michael Levin, uno dei due coordinatori dello studio, ricercatore all’università di Tuft, “ma non è una rana”“Non sono né robot tradizionali né nuove specie animali”, sottolineano i ricercatori, che chiariscono che si tratta di nuova classe di artefatti, oggetti artificiali che sono organismi viventi e programmabili.

Gli scienziati hanno progettato i nuovi robot con i supercomputer dell’università del Vermont e poi li hanno assemblati e testati all’università Tuft. Prima hanno prelevato le cellule staminali dagli embrioni di rana, separate in singole cellule e fatte crescere in laboratorio, in una sorta di incubatrice per farle moltiplicare e differenziare in tessuti diversi. Successivamente le hanno tagliate e aggiuntate attraverso l’uso di un microscopio per ottenere il design desiderato, selezionato col computer. In questo modo, si sono formate delle cellule dalla forma inedita in natura che hanno cominciato a funzionare e lavorare insieme. Qui il video.

La loro forma è quasi sferica. La pelle ha un’architettura abbastanza statica, mentre il muscolo cardiaco è più attivo: le sue contrazioni sono tali da generare movimenti ordinati, che seguono quanto scelto in base alla progettazione del computer. In pratica si tratta di materia vivente assemblata e programmata per lavorare in un determinato modo, selezionato dagli autori.

I risultati mostrano che questi organismi si muovono in modo coerente e che possono spostarsi e sondare l’ambiente acquoso in cui si trovano per giorni o settimane. Tuttavia, anche loro falliscono: se si ribaltano somigliano a coleotteri capovolti che non sono più in grado di muoversi. Inoltre, gli autori hanno osservato che si spostano creando un cerchio e alcuni sono stati progettati per creare una struttura con un buco al centro. “È un passo avanti verso l’uso di organismi creati dal computer per l’invio intelligente di farmaci”, ha spiegato Joshua Bongard dell’università del Vermont, che sottolinea che sono completamente biodegradabili e una volta aver assolto al loro compito, dopo una settimana, sono solo cellule di pelle morta.

Ma molti sono preoccupati dei possibili sviluppi. “Questa paura non è irragionevole”, aggiunge Levin. E “questo studio fornisce un contributo diretto per comprendere meglio ciò di cui le persone hanno paura, ovvero le conseguenze indesiderate”. Se inizieremo a manipolare sistemi complessi che non conosciamo, spiega l’esperto, potremmo avere esiti inattesi e non desiderati. Per questo capire in che modo la complessità emerge da sistemi semplici sarà una sfida fondamentale del futuro.



Licenza Creative Commons




Continua a leggere

Fisica

Un acceleratore di particelle in miniatura

Dimostrata la possibilità di accelerare fasci di elettroni in un canale di dimensioni nanoscopiche ricavato in un chip al silicio. Questo prototipo potrebbe servire da base per lo sviluppo di nuove apparecchiature per la radioterapia dei tumori

Pubblicato

il

Immagine al microscopio della sezione del chip al silicio attraversato dagli elettroni (©Neil Sapra)

Agli albori del calcolo automatico i computer occupavano un’intera stanza. Ora una loro versione semplificata e miniaturizzata può stare addirittura nel palmo di una mano. Gli acceleratori di particelle, che attualmente occupano tunnel lunghi chilometri, potrebbero in futuro seguire la stessa linea di sviluppo, secondo uno studio pubblicato su “Science” da Jelena Vuckovic, della Stanford University, e colleghi. Nell’ambito del progetto Accelerator on a Chip International Program (ACHIP), questi ricercatori hanno realizzato un acceleratore di particelle in miniatura che potrebbe aprire la strada a diverse applicazioni, tra cui nuovi metodi per trattare i tumori con la radioterapia.

L’idea è nata considerando il principio di funzionamento di un acceleratore convenzionale: in questa macchina i fasci di particelle corrono in tubi a vuoto per alcuni chilometri, con impulsi di microonde che li accelerano sempre di più, fino a raggiungere velocità prossime a quella della luce.

Le microonde hanno una lunghezza d’onda dell’ordine di dieci centimetri. Usando impulsi di radiazione diversa, per esempio nello spettro infrarosso, con lunghezze d’onda molto più piccole delle microonde, si può in linea di principio accelerare le particelle su distanze assai più piccole. Il problema è che anche che le dimensioni fisiche del supporto devono essere delle stesse dimensioni, ponendo una sfida d’ingegnerizzazione non indifferente.

Vuckovic e colleghi hanno ricavato una cavità di dimensioni nanoscopiche all’interno di un chip al silicio, sigillandolo poi in una camera a vuoto. Successivamente hanno sparato un fascio di elettroni in questa cavità, accelerandoli con impulsi di luce infrarossa, a cui il silicio è trasparente.

Il dispositivo è ancora allo stato di prototipo. Gli autori però sostengono che le tecniche di progettazione e fabbricazione sono applicabili anche per altre dimensioni, e possono fornire fasci di particelle adatti a esperimenti in chimica, biologia e scienza dei materiali, dove non è richiesta la potenza di un enorme acceleratore.

“Gli acceleratori più grandi in assoluto sono come potenti telescopi. Ce ne sono solo pochi al mondo”, ha spiegato Vuckovic. “Vogliamo miniaturizzare la tecnologia dell’acceleratore in modo da renderla uno strumento di ricerca più accessibile.”

Ma l’applicazione più probabile è nel campo delle apparecchiature medicali, soprattutto in campo oncologico. Attualmente, le apparecchiature mediche per produrre raggi X occupano una stanza e forniscono una radiazione difficile da concentrare sui tumori, richiedendo ai pazienti di indossare elementi di piombo per ridurre al minimo i danni collaterali.

“In questo articolo iniziamo a mostrare come si potrebbe inviare il fascio di elettroni direttamente su un tumore, lasciando inalterato il tessuto sano”, ha sottolineato Robert Byer, della Stanford University, che guida il progetto ACHIP.



Licenza Creative Commons




Crediti :

le Scienze

Continua a leggere

Fisica

Ecco cosa ha in serbo per noi la scienza nel 2020

Radiotelescopi da record, olimpiadi robotiche, nuove missioni spaziali. Il 2020 è alle porte, e gli appassionati di scienza non corrono certo il rischio di annoiarsi. Ecco alcuni degli appuntamenti scientifici da segnare sul prossimo calendario

Pubblicato

il

(immagine: Getty Images)

Questa volta facciamo cifra tonda. Il 2020 è alle porte, e la speranza ovviamente è che si riveli un anno da ricordare. Se quello appena trascorso può esser preso ad esempio, sarà difficile annoiarsi: dalla prima foto di un buco nero, alla prima visita umana sul lato nascosto della Luna, alle vicende di He Jiankui e delle due gemelline Crispr, il 2019 sarà ricordato a lungo dagli appassionati di scienza. Volete un assaggio di cosa ci aspetta? Eccovi alcuni degli appuntamenti scientifici del 2020.

Il più grande radiotelescopio del mondo

Osservare la nascita delle prime stelle dell’Universo. Testare la teoria della relatività di Einstein, dare la caccia ad alcune delle più sfuggenti entità del cosmo, come la materia e l’energia oscura. E perché no, magari anche trovare le prime prove dell’esistenza di forme di vita extraterrestre. In poche parole, rivoluzionare la nostra comprensione dello Spazio. Un obbiettivo ambizioso, ma assolutamente alla portata del più grande radiotelescopio mai realizzato: lo Square Kilometre Array, un progetto internazionale che punta a costruire una superficie ricevente di oltre un milione di chilometri quadrati, divisa tra gli altopiani del Sud Africa e le coste australiane. Per completare un progetto così titanico ci vorranno ancora anni, ma le prime avvisaglie di quel che ci aspetta dovrebbero arrivare già nel 2020, quando è previsto l’avvio delle prime osservazioni scientifiche, che verranno effettuate con una parabola virtuale ancora incompleta.

Olimpiadi per robot

Il 2020 sarà un anno da ricordare anche nello sport, con le olimpiadi di Tokyo pronte a prendere il via il prossimo 24 luglio. Competizioni che il paese del sol levante ha deciso di dedicare a uno dei suoi punti di forza: la robotica. I robot saranno infatti coinvolti in tutte le fasi salienti dell’organizzazione, dall’accoglienza degli spettatori, all’assistenza ai portatori di handicap, alla logistica sui campi sportivi, dove sostituiranno i tradizionali volontari umani nel supporto e trasporto degli atleti. Ma non è tutto: per festeggiare come si deve l’evento, il Giappone ha deciso di ospitare anche un’autentica competizione per robot. Si chiamerà World Robot Challenge, e vedrà scendere in campo gli “atleti” robotici divisi in quattro categorie: robot industriali, robot di servizio, robotica dedicata all’intervento in seguito a disastri e calamità, e una categoria speciale dedicata ai più piccoli. Un piccolo evento che probabilmente non è destinato a cambiare il mondo della scienza, ma che potrebbe rivelarsi utile per fare il punto sui progressi fatti negli ultimi anni nel campo della robotica e dell’automazione.

Una nuova mappa del cielo

Fotografare periodicamente l’intera volta celeste dell’emisfero australe (almeno quella accessibile dalle montagne del Cile), e fornire tutti i dati raccolti in open access alla comunità scientifica. È l’obbiettivo del Large Synoptic Survey Telescope, un telescopio ottico unico nel suo genere, che sorgerà sul Cerro Pachón, una montagna alta 2.682 metri nella regione di Coquimbo, nel nord del Cile. Servirà a mappare con precisione la nostra Galassia, cercare materia ed energia oscura, e tenere sotto controllo asteroidi e altri piccoli corpi celesti potenzialmente pericolosi per il nostro pianeta. La costruzione è iniziata nel 2015, e dovrebbe terminare nel 2022. Ma se non ci saranno ritardi, la prima luce, ovvero la prima osservazione inaugurale, arriverà già nel corso del 2020.

Nuove foto dell’Universo

Quest’anno l’Event Horizon Telescope ha stupito tutti, sfornando la prima foto di un buco nero, prima prova visiva diretta di questi corpi celesti. E nel 2020 gli scienziati del consorzio internazionale che ha realizzato l’impresa sono pronti a riprovarci: se nel 2019 si sono occupati di Messier 87, il buco nero supermassiccio al centro di una galassia della costellazione della Vergine, nel 2020 potrebbero arrivare le immagini di Sagittarius A, posto al centro della nostra Via Lattea. Secondo Nature, i materiali pronti per essere diffusi dall’Event Horizon Telescope dovrebbero comprendere molteplici immagini, e forse persino un video che mostra le enormi nubi di gas che turbinano attorno al buco nero.

Chimere e lieviti sintetici

Continuando con le indiscrezioni di Nature, è la volta dei prossimi progressi in biologia. Si inizia con Synthetic Yeast 2.0, un progetto internazionale che passo dopo passo sta lavorando per rimpiazzare l’intero genoma di un lievito della specie Saccharomyces cerevisiae con materiale genetico realizzato in laboratorio. Nel 2020 il lavoro dovrebbe giungere a conclusione, e iniziare a dare frutti sia in campo industriale, dove i ricercatori sperano di poter sfruttare i lieviti sintetici per realizzare prodotti di ogni tipo, dai biocarburanti ai medicinali. Sia sul piano della ricerca, dove i risultati di Synthetic Yeast 2.0 aiuteranno a studiare più a fondo l’evoluzione, e le strategie con cui gli organismi biologici tengono a bada l’accumulo di mutazioni nocive. Un secondo appuntamento importante è quello con le chimere biologiche di Hiromitsu Nakauchi, esperto di cellule staminali dell’università di Tokyo che ha ricevuto quest’anno il via libera del governo giapponese per la realizzazione dei primi ibridi umani-animali. Nakaguchi lavorerà per crescere tessuti umani all’interno di embrioni di ratto, e nel 2020 potrebbero arrivare i primi importanti risultati. L’obbiettivo è quello di realizzare organi umani da utilizzare in futuro per i trapianti.

Una nuova Schiaparelli?

Ricorderete tutti lo sfortunato lander che nel 2016 tentò, senza molta fortuna, il primo ammartaggio di una sonda europea. Si trattava, va detto, di un prototipo, e i dati raccolti ovviamente sono tornati estremamente utili per pianificare al meglio la missione vera e propria: ExoMars, una collaborazione tra Esa e Roscosmos che punta a far atterrare un rover su Marte, alla ricerca di indizi che permettano di stabilire se il pianeta in passato ha ospitato forme di vita. Il lancio è previsto per il prossimo 25 luglio, e il controllo della missione sarà affidato alla nostra Altec (azienda dell’Asi). Sperando che il rover Rosalind Franklin riesca dove il povero Schiaparelli ha fallito.

Mars 2020

Anche la Nasa ha i suoi piani per il pianeta rosso. La prossima estate inizierà infatti la nuova avventura marziana dell’agenzia spaziale americana, dedicata come nel caso di quella Esa alla ricerca di forme di vita marziane. Mars 2020 depositerà sulla superficie del pianeta rosso un rover sviluppato a partire dal design di Curiosity, armato di nuovi strumenti scientifici, un trapano per estrarre campioni di roccia e suolo, e un piccolo drone a forma di elicottero. In questo caso, inoltre, si tratterà del primo passo in direzione di un obbiettivo più ambizioso: Mars 2020 depositerà infatti i campioni estratti con i suoi strumenti in appositi contenitori che abbandonerà poi lungo il cammino, e che in futuro dovrebbero essere recuperati e spediti sul nostro pianeta da una nuova missione, battezzata per ora Mars sample-return mission.

Le missioni cinesi

Il 2020 su Marte sarà uno degli anni più affollati di sempre. A fianco di EsaRoscosmos e Nasa, anche l’agenzia spaziale cinese punta a raggiungere il pianeta rosso per verificare se abbia mai ospitato la vita. La missione per ora è stata battezzata HX-1 mission, prevede l’atterraggio di un piccolo rover sulla superficie del pianeta, e rappresenterà la prima occasione in cui la Cina raggiungerà un altro pianeta con tecnologie e veicoli sviluppati completamente da sé. Non è tutto: il gigante asiatico ha infatti in serbo anche un’altra prima volta, con il lancio della sua Chang’e 5, la prima missione che raccoglierà campioni di suolo lunare per riportarli sulla Terra, dai tempi della missione Nasa Luna 24, del 1976.

Lhc nel 2020

Attivo da quasi 12 anni, il Large Hadron Collider del Cern ha già permesso scoperte fondamentali: una su tutte, il bosone di Higgs. L’obbiettivo più ambizioso, però, non è ancora raggiunto: identificare qualche particella o fenomeno che violi incontestabilmente il modello standard della fisica, e permetta quindi di progredire verso nuove conoscenzenuova fisica. Ovviamente gli insaziabili ricercatori del Cern sono al lavoro per potenziare e migliorare il loro acceleratore, e aumentare così le chance di nuove scoperte. E una delle tappe fondamentali in questa impresa arriverà nel 2020: la sostituzione del vecchio acceleratore lineare Linac2 con il suo successore, il nuovissimo e potentissimo Linac4. Se il vecchio modello, ormai in pensione, arrivava ad accelerare i suoi protoni a 50 megaelettronvolt (o Mev), il suo sostituto è pronto a triplicare l’energia delle collisioni, raggiungendo i 160Mev. I test sono in corso, e se tutto andrà come previsto l’acceleratore diventerà operativo entro la metà del 2020. Un upgrade fondamentale in vista di un più ambizioso progetto del Cern: l’high-luminosity Lhc, che punta ad aumentare sensibilmente la luminosità del Large Hadron Collider, cioè il numero di collisioni tra protoni che avvengono al suo interno. La dead line per l’high-luminosity Lhc è fissata per il 2026, e dal Cern assicurano che, ad upgrade effettuato, il mondo della fisica potrebbe cambiare volto radicalmente, e velocemente.



Licenza Creative Commons




Crediti :

Wired

Continua a leggere

Chi Siamo

Newsletter

Dicono di noi

DAL MONDO DELLA RICERCA

  • Le Scienze
  • Nature (EN)
  • Immunologia

Comunicato stampa - Una pellicola sottilissima e biodegradabile in grado di rivestire volumi di acqu [...]

Comunicato stampa - Un nuovo strumento bioinformatico individua rapidamente le alterazioni del genom [...]

Comunicato stampa - Individuate le relazioni causa-effetto che hanno determinato lo sciame simico du [...]

Nature, Published online: 16 January 2020; doi:10.1038/d41586-020-00098-1Restoration and strict cont [...]

Nature, Published online: 16 January 2020; doi:10.1038/d41586-020-00121-5Carbon-14 dating reveals th [...]

Nature, Published online: 16 January 2020; doi:10.1038/d41586-020-00093-6The reintroduction of rumin [...]

Comunicato stampa - Lo rivela uno studio condotto dal Cnr-Ibcn in collaborazione con il laboratorio [...]

Una molecola che si trova nei vasi sanguigni e interagisce con il sistema immunitario contribuisce a [...]

Comunicato stampa - Uno studio internazionale pubblicato su The Lancet mette in discussione la sicur [...]

Sismografo Live

Sismi Italia tempo reale

Terremoti Importanti

Aggiornato Ven 17 Gen 12:23:45 (GMT+0200)

NASA TV

SPACE X

I più letti