In laboratorio, il percorso verso la scoperta è spesso una strada lunga e tortuosa fatta di tentativi ed errori. Un fisico prepara un esperimento delicato, regola una manopola, attende un segnale e poi interpreta il risultato. Se il segnale è debole o l'attrezzatura si comporta in modo strano, il ricercatore deve decidere se modificare le impostazioni, cambiare la teoria o ricominciare da capo. Questo processo si basa pesantemente sull'intuizione umana, anni di formazione e sulla capacità di accorgersi quando qualcosa non va. Ma cosa succederebbe se un ricercatore avesse un partner instancabile capace di leggere ogni manuale, eseguire migliaia di simulazioni in un pomeriggio e non perdere mai un minimo dettaglio? Questa è la promessa dell'intelligenza artificiale nella scienza. Tuttavia, dare le chiavi di un laboratorio di fisica a un computer non è semplice come chiedergli di risolvere un problema. I computer possono inventare fatti, perdersi nella propria logica o suggerire azioni pericolose se non guidati con cura. La sfida non è solo costruire una macchina intelligente, ma costruire una macchina che pensi come uno scienziato: una che sia onesta riguardo ai propri errori, che controlli il proprio lavoro e che sappia quando chiedere aiuto.

Un team di ricercatori dell'Università del Maryland ha affrontato questa sfida creando un nuovo modo per far collaborare esseri umani e intelligenza artificiale. Non si sono limitati a programmare un computer per scrivere codice o eseguire simulazioni; hanno invece costruito un ambiente strutturato chiamato PhysKit, progettato per trasformare un modello linguistico di grandi dimensioni in un assistente di ricerca collaborativo. Pensate a questo sistema come a un insieme di regole rigide e strumenti utili che guidano il computer attraverso il metodo scientifico. Al computer non è permesso tirare a indovinare; deve seguire un processo passo dopo passo in cui propone un'idea, la testa, controlla i risultati per eventuali errori e poi riferisce al ricercatore umano. L'umano rimane il capitano, stabilendo gli obiettivi e prendendo le decisioni finali, mentre il computer agisce come un potente motore capace di esplorare le possibilità molto più velocemente di quanto possa fare una persona da sola. Questa partnership permette al team di eseguire campagne a "ciclo chiuso", in cui il computer lavora autonomamente per ore o addirittura giorni, iterando sulle soluzioni finché non trova la risposta migliore, il tutto mantenendo un registro perfetto e organizzato di ogni passaggio compiuto.

Il team ha testato questo approccio con sei diversi esperimenti, che vanno dalla progettazione di nuova hardware all'analisi di dati complessi. In un caso, hanno chiesto al computer di migliorare una rete neurale, un tipo di software utilizzato per ricostruire immagini di correnti elettriche da misurazioni magnetiche. Il computer ha analizzato il design esistente, ha provato migliaia di variazioni e ha scoperto una nuova architettura che ha ridotto gli errori del trentatré per cento. Ci è riuscito trovando un modo più efficiente per elaborare i dati, utilizzando meno risorse computazionali e producendo risultati più nitidi. In un altro esperimento, il team voleva capire come si comporta un difetto specifico in un materiale bidimensionale chiamato nitruro di boro esagonale quando viene colpito dalla luce. Gli scienziati avevano usato un modello standard per descrivere questo comportamento, ma non corrispondeva perfettamente ai dati. Il computer ha esaminato i dati e ha proposto un nuovo modello, più complesso, con undici livelli di energia invece dei precedenti sette o nove. Questo nuovo modello si adattava molto meglio ai dati sperimentali e prevedeva il comportamento del materiale in diverse condizioni con maggiore accuratezza rispetto a qualsiasi tentativo precedente.

Il sistema ha dimostrato il suo valore anche nel mondo fisico, non solo nelle simulazioni. I ricercatori hanno usato il computer per progettare un dispositivo a microonde necessario per controllare i sensori quantistici. Il computer doveva bilanciare molti requisiti contrastanti, come la creazione di un tipo specifico di onda pur rimanendo entro i limiti di potenza della loro attrezzatura. Ha prodotto un design pronto per essere costruito che rispettava tutti i loro severi vincoli sperimentali. In un test più diretto sul controllo dell'hardware, il computer ha aiutato a commissionare uno spettrometro di risonanza magnetica nucleare, un dispositivo utilizzato per rilevare campi magnetici. Partendo da uno stato non calibrato, il computer ha eseguito una serie di esperimenti sulla macchina reale, regolando le impostazioni e analizzando i risultati fino a raggiungere una precisione di frequenza di circa un hertz. Questo è un livello di accuratezza che tipicamente richiederebbe a un esperto umano diversi giorni, ma il computer l'ha ottenuto in poco più di venti ore. Infine, il team ha utilizzato il sistema per analizzare i dati di un array di spin-ice artificiale, un materiale composto da minuscole isole magnetiche. Il computer è riuscito a ricostruire lo stato magnetico di ogni singola isola dell'array partendo da immagini sfocate, un compito che non era mai stato eseguito prima con questo tipo di dati.

Ciò che rende significativi questi risultati non è solo che il computer ha trovato le risposte, ma il modo in cui le ha trovate. Il sistema è stato progettato per essere onesto. Se una soluzione proposta sembrava buona sulla carta ma falliva un test specifico, il computer la rifiutava. Manteneva un registro dettagliato di ogni ipotesi fatta e di ogni pezzo di codice scritto, garantendo che un essere umano potesse sempre risalire al modo in cui un risultato era stato raggiunto. I ricercatori hanno scoperto che il computer era particolarmente bravo a capire quando era sulla strada sbagliata. Ad esempio, nello studio del materiale, il computer ha testato oltre cento diverse strutture di modelli. Ne ha trovate diverse che sembravano promettenti, ma le ha scartate perché non riuscivano a prevedere correttamente i dati futuri o perché violavano le leggi fisiche di base. Ha selezionato il modello finale solo dopo che aveva superato ogni controllo, inclusi i test in cui il computer doveva prevedere dati che non aveva mai visto prima. Questo approccio rigoroso ha impedito al sistema di cadere nella trappola del semplice memorizzare i dati o del inventare numeri per apparire di successo.

Il successo di questi esperimenti suggerisce un nuovo modo di fare scienza. Invece di sostituire i ricercatori umani, questo tipo di intelligenza artificiale agisce come un moltiplicatore di forza. Gestisce il lavoro ripetitivo e laborioso di testare le idee e controllare i calcoli, liberando lo scienziato umano affinché possa concentrarsi sul quadro generale e sulle decisioni difficili. Il computer può eseguire esperimenti mentre il ricercatore dorme, oppure può esplorare un vasto panorama di possibilità che sarebbe impossibile navigare a mano. Ma funziona meglio quando c'è una chiara partnership. L'umano stabilisce i confini, definisce gli obiettivi e fornisce il contesto che il computer non può conoscere da solo, come le specifiche peculiarità di un pezzo di attrezzatura o i sottili vincoli di un sistema fisico. Il computer, a sua volta, porta un livello di coerenza e velocità che trasforma il processo di ricerca.

I ricercatori sottolineano che questo non è un sistema completamente autonomo che scrive articoli o compie scoperte da solo. È uno strumento che richiede un essere umano nel ciclo di controllo, per verificare i risultati e garantire che la scienza rimanga solida. Il sistema è progettato per essere adattabile, imparando da ogni progetto per migliorare il proprio framework. Mentre il team continua a utilizzare PhysKit, si aspetta di aggiungere nuove competenze e perfezionare il processo, rendendolo ancora più efficace per una gamma più ampia di problemi scientifici. L'obiettivo finale è creare un modo standard affinché gli scienziati possano lavorare con l'intelligenza artificiale, assicurando che la tecnologia sia utilizzata in modo responsabile ed efficace. Combinando l'esperienza umana con la potenza computazionale di questi agenti, il team ha dimostrato che è possibile accelerare la scoperta senza sacrificare il rigore e l'onestà che sono le fondamenta della scienza. I risultati non sono solo più veloci; sono migliori, portando a nuovi modelli, dispositivi migliori e una comprensione più profonda del mondo fisico.