Un team di ricercatori della Clarkson University ha sviluppato una nuova famiglia di algoritmi matematici che potrebbe migliorare in modo significativo il funzionamento dei modelli generativi utilizzati nell’editing delle immagini, nella progettazione molecolare e nelle simulazioni scientifiche avanzate. La ricerca è stata condotta da Zander Blasingame e Chen Liu e sarà presentata alla conferenza ICML 2026 attraverso il lavoro intitolato “Rex: A Family of Reversible Exponential (Stochastic) Runge-Kutta Solvers”.
La nuova tecnica, denominata Rex, interviene su uno degli aspetti più delicati dei moderni modelli di diffusione e flow matching, le architetture matematiche che costituiscono la base di molti sistemi generativi contemporanei. Questi modelli producono immagini, strutture molecolari o simulazioni partendo da dati casuali e trasformandoli progressivamente in risultati coerenti. Tuttavia, numerose applicazioni richiedono anche la capacità di percorrere il processo in senso inverso, recuperando con precisione le informazioni originali o modificando selettivamente il risultato generato.
Secondo i ricercatori, le tecniche oggi utilizzate introducono errori numerici che si accumulano durante il percorso inverso, limitando la precisione delle modifiche e la controllabilità dei modelli. Rex affronta questo problema attraverso una nuova famiglia di solutori numerici reversibili basati sui metodi Runge-Kutta esponenziali, progettati per mantenere un allineamento molto più accurato tra la fase di generazione e quella di inversione.
I risultati mostrano una riduzione dell’errore di inversione di diversi ordini di grandezza rispetto agli approcci concorrenti. Questo significa che un sistema AI può tornare indietro lungo il percorso generativo con una precisione molto superiore, preservando meglio le informazioni originali e consentendo modifiche più controllate. Nel caso dell’editing delle immagini, la tecnologia potrebbe permettere interventi più accurati su immagini generate dall’intelligenza artificiale senza compromettere dettagli, texture o caratteristiche strutturali importanti.
L’impatto potenziale va però oltre il settore creativo. I modelli di diffusione vengono sempre più utilizzati nella progettazione molecolare e nella scoperta di farmaci, dove la capacità di simulare e ricostruire con precisione strutture complesse rappresenta un elemento fondamentale per l’identificazione di nuove molecole candidate. Migliorare la reversibilità dei processi matematici può quindi tradursi in simulazioni più affidabili e in una maggiore accuratezza durante l’esplorazione dello spazio chimico utilizzato nei sistemi di drug discovery basati sull’intelligenza artificiale.
Uno degli aspetti più interessanti della ricerca è la compatibilità con le infrastrutture esistenti. Rex può essere integrato nei modelli di diffusione e flow matching già in uso senza richiedere una riprogettazione completa delle pipeline AI. Questo consente a laboratori di ricerca, aziende farmaceutiche e sviluppatori di sistemi generativi di adottare il nuovo approccio mantenendo gli investimenti effettuati sulle architetture attuali.
Il lavoro si inserisce nel più ampio percorso di evoluzione dei modelli generativi, che stanno diventando strumenti sempre più importanti non solo per la creazione di immagini e contenuti digitali, ma anche per applicazioni scientifiche ad alta complessità. Migliorare la precisione matematica con cui questi sistemi possono muoversi avanti e indietro tra rumore e dati significativi rappresenta un passo rilevante verso modelli più controllabili, interpretabili e utilizzabili in contesti dove l’accuratezza è un requisito essenziale.