Computer fatti di gocce d’acqua: perché Penn State prova a imitare il cervello senza usare chip tradizionali

Un computer fatto di gocce d’acqua sembra una di quelle idee che si inventano durante una conversazione per scherzo. Prendi un bicchiere, aggiungi qualche membrana, colleghi tutto e dici di aver costruito il futuro dell’informatica. Poi scopri che alla Pennsylvania State University c’è un gruppo di ricerca che sta facendo qualcosa di molto più serio, e anche più interessante.

Il 12 ottobre 2026 Penn State ha pubblicato un aggiornamento su una tecnologia sperimentale definita neuromorphic tissue, o tessuto neuromorfico: una rete di microscopici compartimenti acquosi, collegati da membrane lipidiche e canali capaci di far passare ioni. Il risultato non è un computer che apre un browser o esegue ChatGPT. È un materiale che, sollecitato elettricamente, produce risposte complesse e conserva tracce temporanee dei segnali ricevuti.

La ricerca scientifica alla base dell’annuncio è stata pubblicata su Science Advances il 23 luglio 2026. È quindi corretto parlare di un approfondimento recente dell’università, non di uno studio uscito oggi. La distinzione sulle date conta: raccontare bene la tecnologia significa anche non trasformare ogni comunicato in una scoperta appena avvenuta.

Perché un normale chip non è sempre il miglior vicino del corpo umano

I nostri dispositivi elaborano informazioni attraverso circuiti elettronici. Le cariche si muovono nei materiali conduttori, i transistor cambiano stato, le memorie conservano dati e i processori eseguono istruzioni. Questo schema ha prodotto risultati straordinari, ma non è necessariamente la soluzione più naturale quando vogliamo dialogare direttamente con un sistema biologico.

Le cellule comunicano spesso attraverso ioni, particelle cariche che attraversano fluidi e membrane. Un segnale nervoso, per esempio, non è semplicemente un filo elettrico in miniatura: è il risultato di scambi ionici e cambiamenti di potenziale. Per collegare circuiti tradizionali a tessuti viventi, normalmente abbiamo bisogno di interfacce che traducano da un mondo all’altro.

La traduzione introduce complessità. Può richiedere componenti aggiuntivi, energia e controlli. Da qui nasce la domanda dei ricercatori: e se una parte dell’elaborazione avvenisse direttamente in un materiale morbido, umido e compatibile con meccanismi di segnalazione ionica?

Una rete di goccioline e membrane sottilissime

Il gruppo guidato da Joseph Najem, professore associato di ingegneria meccanica a Penn State, lavora con goccioline contenenti acqua e componenti lipidici immerse in olio. Quando due gocce entrano in contatto, i lipidi contribuiscono a formare una sottile membrana fra loro, simile per alcuni aspetti a quelle che delimitano le cellule.

All’interno di queste interfacce ci sono canali ionici sensibili alla tensione. I canali possono aprirsi e chiudersi in risposta a stimoli elettrici, permettendo il passaggio di ioni. Le membrane, intanto, sono capaci di accumulare carica. Una goccia non si limita quindi a rispondere isolatamente: può influenzare le gocce vicine.

È il dettaglio che fa cambiare natura al sistema. Non stiamo guardando sette piccole sfere che si limitano a condurre corrente. Le connessioni creano retroazioni: ciò che accade in un nodo modifica le condizioni degli altri e torna a influenzare la rete. L’università descrive anche configurazioni a sette nodi, con un elemento centrale circondato da altri sei, che ricordano un piccolo favo.

Schema concettuale di una membrana lipidica con canali ionici fra due goccioline acquose — Illustrazione concettuale generata con AI; non è una fotografia o un risultato sperimentale reale.

La memoria che svanisce: il trucco utile per capire il tempo

Nel linguaggio informatico siamo abituati a separare la memoria dal processore. Nel cervello il rapporto fra elaborazione e memoria è molto più intrecciato. Nei materiali di Penn State avviene qualcosa che aiuta a capire questa idea: le membrane e i canali conservano una traccia temporanea degli stimoli precedenti.

Se invio un impulso e, poco dopo, ne invio un altro, la risposta può dipendere anche da quello che è successo un istante prima. Questa proprietà è chiamata spesso fading memory, memoria che si attenua. Non è un ricordo cosciente, ovviamente; è una dinamica fisica che permette al sistema di rispondere in maniera differente in base alla storia recente degli ingressi.

Qui entra in gioco il reservoir computing, una tecnica in cui un sistema complesso trasforma segnali in ingresso in una varietà di risposte, e un componente di lettura impara a interpretarle. Invece di programmare ogni connessione interna in modo minuzioso, possiamo sfruttare le proprietà dinamiche già presenti nel materiale.

Pensiamo a un sensore che osserva variazioni continue, non a un semplice interruttore acceso o spento. Se il sistema ha una memoria breve e molte possibili risposte, può aiutare a riconoscere schemi che si sviluppano nel tempo. Sono proprio questi i compiti su cui i ricercatori hanno iniziato a verificare la rete.

Che cosa hanno effettivamente dimostrato

Lo studio, firmato fra gli altri da Nicholas Armendarez, Ahmed Mohamed, Md Sakib Hasan e Joseph Najem, combina misure di laboratorio e simulazioni. Le misure servono a caratterizzare il comportamento fisico delle goccioline e delle loro connessioni; un modello verificato su quei dati permette poi di studiare come reti diverse elaborano sequenze temporali.

Penn State riferisce che, nei test di simulazione basati sul modello sperimentale, le reti connesse hanno ridotto l’errore di previsione di quasi il 50% rispetto a nodi indipendenti esaminati come riferimento. I ricercatori hanno utilizzato prove matematiche per valutare sequenze non lineari e dinamiche caotiche.

Quel 50% merita di essere letto nel contesto giusto: non significa che la tecnologia sia il doppio più veloce di un processore commerciale. Non indica nemmeno un risparmio energetico del 50% misurato su un dispositivo finito. Riguarda l’errore su specifici compiti di previsione in una configurazione di ricerca. È un risultato significativo, ma molto più circoscritto di quanto potrebbe suggerire una pubblicità.

Anche l’idea di consumare meno energia rimane una prospettiva interessante. I ricercatori sottolineano il potenziale di elaborare dati vicino alla memoria e di utilizzare direttamente segnali ionici. Tuttavia il sistema ha ancora bisogno di apparecchi esterni per fornire stimoli e leggere le risposte: un bilancio energetico dell’intero dispositivo industriale non è stato dimostrato.

Confronto concettuale fra un processore con memoria separata e una rete di gocce che integra elaborazione e memoria temporanea — Illustrazione concettuale generata con AI; non è una fotografia o un risultato sperimentale reale.

Dai chip di silicio ai materiali che sentono

Le applicazioni immaginate sono molto particolari. Penn State cita sensori adattivi, robotica morbida e interfacce con sistemi biologici. Non è difficile capire perché: un sensore impiantabile o un materiale flessibile potrebbe beneficiare di un’elettronica capace di lavorare con segnali che assomigliano di più a quelli dell’ambiente biologico.

La robotica morbida, per esempio, usa spesso materiali che si piegano, si deformano e interagiscono con superfici delicate. Integrare qualche forma di elaborazione nel materiale stesso potrebbe ridurre la dipendenza da componenti rigidi, almeno per alcune funzioni. Ma la distanza fra una rete di goccioline in laboratorio e un prodotto resistente, stabile e sicuro è enorme.

Servono sistemi riproducibili, connessioni che durino nel tempo, capacità di fabbricazione su scala e confronti energetici onesti. Ci sono poi problemi di precisione, lettura dei risultati e compatibilità con l’ambiente reale. Una cosa è dimostrare una dinamica promettente; un’altra è costruire un oggetto che funzioni tutti i giorni senza qualcuno che lo assista in laboratorio.

Non è un cervello artificiale. Ed è proprio questo il bello

Quando leggiamo la parola neuromorfico siamo tentati di immaginare una macchina che pensa. In realtà il riferimento al cervello qui è assai più concreto: la struttura di rete, i segnali ionici, il rapporto fra memoria e calcolo, le retroazioni fra componenti. Non stiamo parlando di coscienza né di intelligenza generale.

Personalmente trovo più affascinante questa direzione che l’ennesima promessa di un dispositivo “rivoluzionario”. Negli ultimi anni abbiamo imparato a fare computer sempre più potenti aumentando scala, complessità e capacità di calcolo. Qui qualcuno parte dalla domanda opposta: esistono materiali la cui struttura fisica faccia già una parte del lavoro?

La risposta preliminare è sì, almeno per determinate elaborazioni temporali. Ed è un’idea che apre strade per dispositivi molto diversi da quelli a cui siamo abituati.

La prossima rivoluzione potrebbe non assomigliare a un chip

Il gruppo ha dichiarato di voler ottimizzare il materiale e capire come renderlo utilizzabile su scala. È presto per parlare di computer liquidi nelle nostre case, e persino per prevedere quando arriveranno i primi prodotti concreti. Nel frattempo abbiamo un esperimento interessante, un articolo scientifico pubblicato con revisione tra pari e un insieme di risultati che possono essere riprodotti e discussi.

Forse tra qualche anno questi “tessuti” saranno soltanto una tappa importante nella storia dell’informatica biologica. O forse daranno origine a sensori e interfacce che oggi non immaginiamo. In entrambi i casi mi sembra una notizia che merita spazio: perché ci ricorda che elaborare informazioni non è una prerogativa esclusiva dei rettangoli di silicio.

A volte basta cambiare materiale per cambiare anche la domanda. E qui, sorprendentemente, la domanda comincia con una goccia d’acqua.

Nota sulle date: Penn State ha diffuso la notizia il 12 ottobre 2026; il lavoro originale è stato pubblicato su Science Advances a luglio 2026. Le prospettive commerciali sono ipotesi di ricerca, non prodotti disponibili.