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

Fisica

Nel 2019 sui giornali italiani ancora si nega che siamo arrivati sulla Luna

“Sulla Luna non ci siamo mai stati”. È la tesi di un articolo sul Fatto a firma del giornalista e autore tv Ivo Mej. Ma tutto lascia intendere il contrario

Pubblicato

il

(foto: Kordite/Flickr)

Quali grandi novità, frutto di approfondite inchieste giornalistiche e indagini scientifiche, sono emerse negli ultimi giorni per riaprire ancora una volta il dibattito se l’umanità abbia o meno messo piede sulla Luna? Ebbene – tenetevi forte – nessuna.

Tuttavia, nella giornata dell’8 luglio sul sito de Il Fatto quotidiano è stato pubblicato un articolo (cliccare sul link non dà traffico al sito) dal titolo emblematico: Insomma, sulla Luna ci siamo stati o no?. Una raccolta di valutazioni soggettive e prove non-scientifiche a sostegno della tesi del falso allunaggio, che cade a fagiolo proprio a pochi giorni dal 50esimo anniversario del successo della missione spaziale Apollo 11. Quella che, scetticismi a parte, ci ha portati per la prima volta sul nostro satellite naturale.

La scienza a sentimento

L’articolo in questione è firmato da Ivo Mej, giornalista e autore tv, che esordisce nell’articolo affermando che “la mia personale opinione è che no, sulla Luna non si saremmo mai potuti andare con la tecnologia degli anni Sessanta, tant’è vero che non riusciamo ad andarci neanche oggi”. Non è chiaro però quali elementi fattuali supportino questa sua sensazione, né quali prove possano far concludere che la Nasa ha “inventato miriadi di supercazzole”, dato che i pochissimi esempi riportati sono poco attinenticon l’evento dell’allunaggio (e comunque falsi, come vedremo tra poco).

Addirittura, Mej pare essere riuscito nell’incredibile impresa – altro che allunaggio – di fare il complottista su se stesso, smentendo la sua opinione espressa poco prima: “Come è possibile che in mezzo secolo non sia mai venuta fuori la verità sulla conquista mai avvenuta del nostro satellite?”. Per il resto nell’articolo si fa riferimento perlopiù a imprecisate “incongruenze logiche”, a “strane dimissioni” e ad “ammissioni a mezza bocca dei dirigenti Nasa”: tutte cose sentite e risentite, e su cui in questo caso non è nemmeno possibile argomentare dato che non è specificato di che cosa si tratti con precisione.

Curioso che gli unici esperti citati siano registifotografi e documentaristi, mentre manca del tutto la voce di tecnici spaziali, scienziati e astronauti. Se questo è l’approccio con cui si tenta di affrontare seriamente la questione, probabilmente avranno vita lunga pure il terrapiattismo, l’arrivo di Nibiru e i rapimenti alieni. Chissà quando uscirà l’inchiesta: “Insomma la Terra è piatta o no?”.

I pochi esempi si confutano al volo

Nell’articolo sono esplicitate in sostanza tre sole argomentazioni contro l’allunaggio. La prima riguarda un obiettivo fotografico messo a disposizione del regista Stanley Kubrick per il film Barry Lyndon, che sarebbe stato costruito dalla Nasa e poi regalato per le sue riprese. Una storia però che non ha alcun aspetto di mistero, come è stata raccontata da Neil Oseman e ripresa anche Paolo Attivissimo: non è affatto vero che l’obiettivo sia stato donato, e poi la sua costruzione è stata motivata proprio dalla volontà di fare riprese della Luna dalle sonde spaziali Nasa. Dove starebbe, di preciso, il problema?

Un secondo punto citato a favore dello scetticismo verso la versione ufficiale riguarda “l’attraversamento delle micidiali fasce di Van Allen, in grado di friggere qualsiasi apparato radio (non parliamo dei corpi degli astronauti)”. Anche in questo caso non occorre molto sforzo per confutare la tesi: basta infatti una buona schermatura e una scelta adeguata della traiettoria di lancio per risolvere il problema, come peraltro dimostrano tutti i satelliti e le sonde che hanno viaggiato oltre le fasce di Van Allen e sono ancora in perfetta forma. In proposito, c’è un bell’approfondimento su Medium.

Infine, viene richiamato il caso del rifiuto da parte degli astronauti dell’Apollo 11 di giurare sulla Bibbia davanti a un noto complottista dell’allunaggio, il regista Bart Sibrel. Già la descrizione del fatto basta a spiegare il perché del rifiuto, ma in ogni caso (come fa notare anche in questo caso Attivissimo) altri membri degli equipaggi della missione Apollo hanno accettato di giurare, come Ed Mitchell, Gene Cernan e Alan Bean. Fino a prova contraria, poi, rifiutarsi di stare al gioco dei complottisti non rappresenta una prova a favore del complotto. Per non parlare del valore squisitamente scientifico e oggettivo del test del giuramento su testo sacro.

E se alla fine fosse solo una pubblicità?

Dato che stiamo giocando con i complottismi, proviamo a divertirci un po’ anche qui su Wired. Tanto per parlare di coincidenze, nell’articolo di Ivo Mej viene citato per 3 volte il documentario American Moon del fotografo e regista Massimo Mazzucco, peraltro noto sostenitore di diverse teorie del complotto. Quello stesso film viene definito dal giornalista “incredibile” (a quanto pare con il significato di prodigioso, e non con quello più calzante e letterale di inverosimile), viene richiamato nel secondo e nell’ultimo paragrafo dell’articolo, segnalando in chiusura anche il giorno e il luogo della prossima proiezione del film in Italia.

Difficile valutare quanto la trasmissione al grande pubblico del documentario abbia svolto il ruolo di pretesto per poter scrivere dell’allunaggio, e quanto invece i complottismi siano stati sfruttati – se non per fare clickbaiting – per parlare dell’evento cinematografico in programma e, implicitamente, promuoverlo. Quel che è certo è che i commenti sotto l’articolo de Il Fatto quotidiano sono già diventati più di 700, di cui alcuni piuttosto divertenti.





Licenza Creative Commons



Crediti :

Wired

Continua a leggere

Fisica

Il collasso diretto dei buchi neri supermassicci

Questi oggetti estremi del cosmo erano presenti già nell’epoca primordiale dell’universo: per spiegarne l’origine, un nuovo modello prevede che si siano formati con un processo molto rapido, e non dal collasso di stelle

Pubblicato

il

(Scott Woods, Western University)

Non c’è bisogno di una stella che collassa per avere un buco nero supermassiccio. E questo spiega perché questo tipo di oggetti potevano essere presenti anche nell’epoca primordiale dell’universo. Lo afferma un nuovo studio pubblicato sulle “Astrophysical Journal Letters” da Shantanu Basu e Arpan Das della University of Western Ontario, in Canada.

I buchi neri supermassicci sono una tipologia di buchi neri caratterizzata da una massa molto elevata, che arriva a milioni o miliardi di volte la massa del Sole. Malgrado le loro caratteristiche estreme però non sono oggetti rari: si stima che ogni galassia o quasi ospiti nel proprio nucleo un buco nero supermassiccio.

Sulla loro origine non c’è accordo tra gli astrofisici. Una prima ipotesi è che derivino dall’accrescimento di buchi neri di dimensioni normali, che a loro volta sono l’esito ultimo del collasso di stelle giunte al termine del loro ciclo vitale. Quando infatti le reazioni di fusione nucleare all’interno della stella hanno trasformato quasi tutto l’idrogeno in elio, la pressione di radiazione verso l’esterno non è più in grado di contrastare la forza gravitazionale che agisce in senso opposto, e tutta la massa tende a concentrarsi nel nucleo.

Altre ipotesi prevedono invece che i buchi neri supermassicci si formino in seguito al collasso di particolari tipologie di stelle o di ammassi stellari.

Nell’ultimo decennio il panorama delle conoscenze su questo argomento si è arricchito di numerose osservazioni di buchi neri supermassicci estremamente lontani, che ci appaiono quindi com’erano poche centinaia di milioni di anni dopo l’origine dell’universo. Ciò depone a favore di una formazione molto rapida e diretta di questi oggetti.

Tenuto conto di questi dati, Basu e Das propongono ora nuovo modello di formazione dei buchi neri supermassicci basato su un’idea di base molto semplice: la loro origine è un collasso molto rapido.

“I buchi neri supermassicci hanno avuto solo un periodo di tempo breve per formarsi e crescere, e a un certo punto la loro produzione nell’universo è cessata”, ha spiegato Basu. “È questo lo scenario del collasso diretto”.

Le simulazioni al computer dei due autori mostrano che le osservazioni e i dati sperimentali dei buchi neri supermassicci già presenti in un’epoca primordiale dell’universo sono compatibili con un accrescimento esponenziale del buco nero, che inizia la sua vita con una massa compresa tra 10.000 e 100.000 masse solari.





Licenza Creative Commons



Crediti :

le Scienze

Continua a leggere

Fisica

Andromeda: rilevata l’onda anomala della Galassia

Un nuovo studio, frutto di una collaborazione internazionale guidata dalla Sapienza, ha evidenziato un’emissione anomala nelle microonde proveniente dalla galassia di Andromeda attraverso osservazioni astrofisiche effettuate con il Sardinia Radio Telescope. Il lavoro è stato pubblicato sulla rivista Astrophysical Journal Letter

Pubblicato

il

Composizione dell' immagine ottica della galassia di Andromeda ottenuta dalla Digitalized Sky Syrvey con l'immagine nelle onde radio a 6.7 GHz osservata con il Sardinia Radio Telescope (toni di rosso). E' ben visibile un anello di emissione radio associato al disco di Andromeda e numerose sorgenti puntiformi sullo sfondo riconducibili a lontane galassie
Un nuovo studio, frutto di una collaborazione internazionale guidata dalla Sapienza, ha scoperto un’emissione anomala nelle microonde proveniente dalla Galassia di Andromeda grazie a osservazioni astrofisiche effettuate con il radio telescopio di 64 metri Sardinia Radio Telescope (SRT), una nuova eccellenza mondiale per la radio astronomia gestita dall’Istituto Nazionale di Astrofisica.

La galassia di Andromeda è la più grande del gruppo locale, un aggregato di oltre 70 galassie a cui appartiene anche la nostra Via Lattea. Molto ben studiata nelle bande dello spettro elettromagnetico, Andromeda tuttavia non era mai stata indagata approfonditamente in quella delle microonde.

A far luce su questo aspetto è un team internazionale a cui hanno partecipato il Dipartimento di Fsica della Sapienza, l’Osservatorio astronomico di Cagliari (Inaf), l’Instituto de Astrofisica de Canarias (Spagna), la University of British Columbia (Canada), il California Institute of Technology (USA) e l’Istituto di Radio astronomia di Bologna (Inaf). Il lavoro, pubblicato sulla rivista Astrophysical Journal Letter, ha effettuato una mappatura completa della galassia di Andromeda nelle microonde, alla lunghezza d’onda di 4,5 cm e alla frequenza di 6,7 GHz.

Si è osservato che, oltre alle emissioni classiche legate alle interazioni tra il materiale interstellare e il campo magnetico di Andromeda, la Galassia presenta “un’onda anomala” in eccesso che non è spiegabile se non con nuovi meccanismi di radiazione. I modelli più accreditati per tale emissione sono legati alla rapida rotazione di piccoli grani di polvere interstellare (Spinning Dust).

“Già nel 2015 il satellite Planck aveva intravisto questo tipo di emissione con una bassa significatività statistica – spiega Elia Battistelli del Dipartimento di Fisica della Sapienza e coordinatore del progetto – ma ora si ha la certezza che una radiazione del genere sia effettivamente presente nella emissione globale della galassia di Andromeda”.
“Date le dimensioni di Andromeda – spiega Matteo Murgia dell’Inaf – osservare la galassia con il necessario livello di dettaglio è molto difficile ma, grazie alle caratteristiche del Sardinia Radio Telescope, è stato possibile realizzare immagini di svariati gradi quadrati garantendo adeguata sensibilità e risoluzione angolare.”

Questi risultati, che consentono per la prima volta di osservare Andromeda nella sua interezza e di analizzare effetti finora studiati solo nella nostra Galassia, permetteranno di acquisire maggiori informazioni sulla formazione stellare di Andromeda, sul suo campo magnetico e sulla possibilità che siano presenti emissioni laser nelle microonde causate dalla presenza di molecole dell’acqua.





Licenza Creative Commons



Crediti :

le Scienze

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 July 2019; doi:10.1038/d41586-019-02177-4A digital-camera sensor made f [...]

Nature, Published online: 16 July 2019; doi:10.1038/d41586-019-02151-0Planning ahead and staying fle [...]

Nature, Published online: 16 July 2019; doi:10.1038/d41586-019-02165-8Farmers need independent and h [...]

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 Mer 17 Lug 10:04:21 (GMT+0200)

NASA TV

SPACE X

Seguici su Facebook

Facebook Pagelike Widget

I più letti