Orbitali elettronici in sospensione: un progetto ESP32 del FabLab Bergamo

In occasione di BergamoScienza 2026, il FabLab Bergamo ha programmato due visite guidate Open FabLab – Entra nella fabbrica digitale delle idee, il 3 e il 10 ottobre. E il progetto che raccontiamo oggi è una convergenza nel senso più letterale del termine: fisica quantistica, matematica, elettronica embedded e un trucco ottico ottocentesco, uniti per far levitare un atomo sopra uno schermo.

In un video di pochi secondi si vede una nuvola arancione e blu che ruota sospesa sopra un piccolo schermo, come se galleggiasse nel nulla. Non è un montaggio: è una rappresentazione reale – calcolata, non disegnata – degli orbitali elettronici di un atomo, generata in tempo reale su un ESP32 da poche decine di euro. Dietro c’è un prisma di vetro e un progetto nato al FabLab Bergamo, che oggi raccontiamo per intero: come funzionano gli orbitali elettronici, che fisica c’è dentro e come puoi vederli, o costruirli, di persona.

Il progetto si chiama Electron Orbital 3D ed è open source: tutto il codice, con gli appunti dalla matematica quantistica al firmware, è pubblico su GitHub. La parte interessante non è solo che funziona, ma come è stato reso possibile farlo girare su un microcontrollore che sta in una mano, e come chi l’ha costruito si sia assicurato che quello che vedi non sia solo scenografico, ma fisicamente corretto.

Cos’è davvero un elettrone (e perché è difficile disegnarlo)

A scuola si impara a disegnare l’atomo come un piccolo sistema solare: un nucleo al centro, elettroni che gli girano intorno su orbite precise. È un’immagine comoda, ma sbagliata.

Un elettrone non ha una posizione fissa finché qualcosa non la misura: la meccanica quantistica non ti dà un punto, ti dà una probabilità, più densa dove è probabile trovarlo, più rada dove non lo è.

Orbitali dell’idrogeno (scala e numeri quantici in basso)

Quei lobi e trifogli che i libri di chimica disegnano per gli orbitali atomici – la forma a manubrio del 2p, quella a quadrifoglio del 3d – sono esattamente questa densità di probabilità, espressa come |ψ|² (psi al quadrato, il quadrato della funzione d’onda). Il progetto del FabLab prende quella densità e la trasforma in qualcosa che si può guardare davvero: migliaia di puntini, ciascuno una posizione possibile dell’elettrone campionata secondo le leggi della fisica, fatti ruotare in tre dimensioni.

Il trucco ottico: uno specchio vittoriano

L’effetto “in sospensione” non usa nessuna tecnologia futuristica. È una tecnica ottica ottocentesca chiamata Pepper’s Ghost, la stessa usata per far apparire fantasmi negli spettacoli teatrali vittoriani. Un piccolo prisma di vetro a quattro facce rimanda l’immagine dello schermo verso l’occhio dell’osservatore, dando l’impressione che l’oggetto galleggi a mezz’aria invece di essere semplicemente disegnato su un display piatto.

Il cuore elettronico è un ESP32-S3 dual-core da 240 MHz con 8 MB di PSRAM e 16 MB di flash, uno schermo a colori ST7789 da 1,3 pollici e 240×240 pixel, e un sensore IMU (accelerometro più giroscopio) che rileva il movimento della scheda.

Nella configurazione attuale della scheda ESP32-S3, lo smartphone diventa il telecomando. Basta collegarsi alla rete Wi-Fi Ologramma-Atomi, creata dal dispositivo, e aprire la pagina di controllo. Se non compare automaticamente, si può raggiungere all’indirizzo http://192.168.4.1. Non serve un router: dalla pagina scegliamo l’elemento o l’orbitale da osservare.

Il sensore di movimento orienta invece la nuvola: muovendo la scheda possiamo osservarla da angoli diversi. Dopo circa trenta secondi di inattività riparte la rotazione automatica. Con il telecomando attivo, i precedenti gesti di inclinazione per cambiare elemento sono disabilitati.

Simulare orbitali elettronici con un chip da pochi euro

Qui sta la parte più interessante dal punto di vista tecnico, ed è anche quella che rende questo progetto diverso da una semplice animazione 3D: i punti della nuvola sono campionati dalla distribuzione di probabilità del modello fisico, con la precisione numerica delle tabelle utilizzate.

Il problema è che un microcontrollore da 240 MHz non ha la potenza di calcolo di un laptop. Un primo approccio, generare punti a caso e scartare quelli che non rispettano la densità voluta (tecnica nota come rejection sampling), funziona ma è imprevedibile: non sai mai in anticipo quanti tentativi servano per ottenere un punto valido. Su un chip con poco margine di calcolo, quell’incertezza si paga cara.

La matematica aiuta

La soluzione sfrutta una proprietà matematica della funzione d’onda: la densità di probabilità si scompone in tre fattori indipendenti, uno per ciascuna coordinata (raggio, angolo verticale, angolo orizzontale). Ognuno può essere pre-calcolato una volta sola in una tabella, all’avvio (o dal compilatore stesso in C++ grazie a constexpr). Queste tabelle sono poi campionate casualmente per generare i punti (usa un’altra proprietà statistica chiamata campionamento mediante inversione della CDF) senza tentativi ripetuti. Le tabelle consentono un campionamento senza rigetto, con una precisione numerica finita.

Nella pratica, la parte radiale è un polinomio di Laguerre associato moltiplicato per un esponenziale decrescente, quella “verticale” un polinomio di Legendre associato, quella “orizzontale” un semplice seno o coseno: tre famiglie di funzioni che compaiono in ogni libro di meccanica quantistica, qui ridotte a tabelle di numeri che l’ESP32 può solo leggere invece di ricalcolare ogni volta. Il procedimento completo, dai coefficienti dei polinomi alle tabelle di campionamento, è documentato passo passo in Coefficients to Tables.

Il codice deve fare la sua parte

A questo si aggiungono altri accorgimenti pensati apposta per l’hardware:

  • Il campionamento avviene una sola volta, all’avvio: durante l’animazione il dispositivo si limita a ruotare punti già pronti, non li ricalcola a ogni fotogramma. Nella versione C++, per rendere la nuvola più vibrante, ci possiamo permettere di decimare e ricalcolare punti ogni tanto.
  • Le rotazioni della nuvola usano aritmetica a virgola fissa (formato Q8) dentro il compilatore nativo viper di MicroPython, eliminando l’overhead dei calcoli in floating point nel ciclo più critico.
  • Il framebuffer viene scritto in un unico blocco via SPI a 80 MHz: il solo trasferimento verso lo schermo costa, misurato su hardware reale, circa 13 millisecondi a fotogramma. Nella configurazione di produzione (8.000 punti) questo porta il dispositivo a 31-34 fps in C++ e a circa 29 fps nella versione MicroPython semplificata.
  • Non c’è nessuna allocazione di memoria durante l’animazione: tutti i buffer sono preallocati una volta sola.

Le tabelle vere e proprie, però, non nascono sul microcontrollore: un generatore Python le precalcola sul PC e le scrive in due file binari che finiscono nella memoria flash dell’ESP32, pronti per essere letti all’avvio. Il dettaglio di questo passaggio, e di come le tabelle dell’idrogeno puro convivono con quelle degli atomi multi-elettronici, è nella pagina Tables to BIN.

Il risultato è una nuvola che sembra viva, con un leggero “respiro” dello zoom pur girando su un chip pensato per l’elettronica di consumo e non per il calcolo scientifico.

Un’alternativa con una board economica

La versione C++ con PlatformIO è stata testata anche su una Cheap Yellow Display con processore ESP32, che ha caratteristiche più limitate.

È stato piuttosto soddisfacente cercare e applicare ottimizzazioni specifiche (sembra retrocomputing): il framebuffer deve essere allocato in più blocchi, è necessario ricalcolare alcune tabelle per evitare di consumare troppa memoria (trade off classico) e infine il numero di punti è limitato a circa 3500.

ESP32 Cheap Yellow Display che visualizza un orbitale elettronico in 3D

ESP32 in C++ o MicroPython? I benchmark

Il progetto esiste per intero, dal firmware sul dispositivo al simulatore desktop, anche in puro Python: nessuna delle tre versioni ha davvero bisogno del C++ per funzionare. Sul microcontrollore, però, la scelta del linguaggio si sente, ed è proprio questo confronto, misurato e non stimato, a rendere il progetto un buon terreno per un dibattito più ampio su quanto costi, in prestazioni reali, un linguaggio interpretato rispetto a uno compilato sullo stesso hardware — lo stesso tema affrontato nel nostro articolo su Fab-O-Matic: sviluppo embedded con C++ moderno.

Nelle misure documentate del 22 agosto 2026, con 8.000 punti sullo stesso dispositivo, sono stati ottenuti questi fotogrammi al secondo:

RenderingC++ (con dissolvenza)MicroPython
(ottimizzato ma senza dissolvenza)
MicroPython
(a parità grafica C++)
Nuvola atomica (Fe)33 fps29 fps15 fps
Orbitale (2pz)31 fps29 fps11 fps

Questo risultato finale nasconde però un passaggio intermedio istruttivo. Con un rendering identico in tutto e per tutto a quello C++, stessa dissolvenza (fade) tra un fotogramma e l’altro, stessa trasparenza dei punti, MicroPython si fermava tra gli 11 e i 15 fps a seconda del numero di punti, quasi tre volte più lento del C++ a parità di lavoro svolto.

Ottimizzazioni in Micropython

Per chiudere buona parte di quel divario, senza riscrivere il progetto in un altro linguaggio, sono bastate alcune ottimizzazioni mirate:

  • Il ciclo di rendering critico, rotazione, proiezione, disegno dei punti, usa il compilatore viper di MicroPython e aritmetica a virgola fissa Q8, la stessa tecnica descritta più sopra. Basta inserire @micropython.viper davanti alla funzione, e seguire le regole in Maximising MicroPython speed.
  • Le funzioni di campionamento più pesanti sono marcate @micropython.native, con la codifica del colore inserita “in linea” invece che richiamata a parte, per non perdere l’accelerazione nativa dentro cicli annidati.
  • La dissolvenza tra un fotogramma, usata per creare una scia durante la rotazione, è disattivata di default: è l’effetto visivo più costoso da calcolare su un interprete, e rinunciarvi ha permesso di passare da un distacco di circa 3 volte dal C++ a uno di appena 1,16 volte.

Nessuna di queste tecniche cambia il linguaggio: resta MicroPython, non C++ travestito da MicroPython. Dimostra piuttosto che un microcontrollore da pochi euro può eseguire calcoli di meccanica quantistica in tempo reale anche partendo da un linguaggio interpretato, a patto di sapere dove concentrare il lavoro di ottimizzazione — se non hai mai provato MicroPython su ESP32, trovi un’introduzione nel nostro recap di Arduino Day 2025: MicroPython e Arduino. Che si preferisca il C++ per la velocità pura o il Python per la leggibilità, è una scelta su cui vale la pena confrontarsi: il codice di entrambe le versioni, benchmark incluso, è pubblico per chi vuole verificarlo di persona.

Non basta che sia bello: deve essere anche giusto

Qualunque animazione 3D può sembrare convincente a occhio. La matematica degli orbitali dell’idrogeno è stata confrontata punto per punto con Quantum Physics Online, l’implementazione pubblica di riferimento realizzata da Manuel Joffre per l’École Polytechnique, usata come oracolo indipendente. Le tre versioni del software, quella per il dispositivo, quella per il simulatore desktop e quella in C++, condividono lo stesso generatore di numeri casuali: con lo stesso seme producono esattamente la stessa sequenza di punti, un controllo molto più severo del semplice confronto tra istogrammi, perché individua anche errori sottili che un confronto puramente statistico lascerebbe passare.

Confronto tra i livelli energetici calcolati e i dati di riferimento NIST

Per gli atomi con più elettroni, il modello è stato confrontato con i dati computazionali di riferimento del NIST, l’istituto statunitense di metrologia. Gli autovalori calcolati corrispondono al riferimento LDA con uno scarto inferiore a 7×10⁻⁶ Hartree su 915 sottolivelli, dall’idrogeno all’uranio. Le configurazioni elettroniche coincidono con quelle dello stesso riferimento in 92 casi su 92. Questo confronto verifica energie e configurazioni, ma non basta da solo a garantire la correttezza della distribuzione spaziale dei punti.

Eh sì, i fisici nucleari usano molte unità diverse.

Per un atomo con più di un elettrone l’equazione di Schrödinger esatta non ha soluzione in forma chiusa: ogni elettrone respinge tutti gli altri, e il problema smette di essere risolvibile a mano. Il progetto approssima questa complessità con una carica nucleare “efficace”, più bassa di quella reale, che tiene conto di quanto gli elettroni più interni schermano il nucleo da quelli più esterni (il metodo di Clementi-Raimondi, anni ’60), oppure — nella modalità di default — con un calcolo a tutti gli elettroni basato sulla teoria del funzionale della densità, lo stesso approccio usato in chimica computazionale: sono proprio le sue funzioni radiali tabulate, validate contro NIST, quelle citate qui sopra.

Un dettaglio verificabile a occhio: la regola di Hund prevede che gli elettroni riempiano prima tutti gli orbitali di un sottoguscio uno alla volta, prima di accoppiarsi. Il carbonio (due elettroni nel sottoguscio 2p) mostra così una nuvola visibilmente allungata, l’azoto (tre elettroni, uno per ciascun orbitale 2p) torna quasi perfettamente sferico, e il neon, con il sottoguscio pieno, è sferico in modo esatto: prova a confrontarli nella versione web. Il modello completo, comprese le approssimazioni esplicite e i suoi limiti dichiarati, è descritto in ATOMS.md.

Provalo tu stesso: il nuovo percorso didattico in italiano

Non serve costruire il dispositivo per iniziare. Il nuovo portale didattico in italiano propone tre percorsi: costruire una configurazione elettronica, osservare la forma di un orbitale e confrontare le nuvole di un atomo completo.

Nell’animazione del riempimento elettronico possiamo seguire l’occupazione degli orbitali, distinguendo gusci, sottolivelli e singoli orbitali. La lezione copre tutti i 118 elementi, compresi i sottolivelli d e f, e permette di osservare i principi di Aufbau, Hund e Pauli.

Per iniziare proponiamo tre domande: perché l’azoto ha tre elettroni p spaiati? Dove si colloca il quarto elettrone p dell’ossigeno? Perché il calcio distribuisce gli elettroni nei gusci secondo la sequenza 2, 8, 8, 2? I collegamenti nel portale aprono direttamente questi esempi.

Il visualizzatore 3D, con interfaccia in inglese, completa il percorso: permette di ruotare le nuvole e usare la dissezione per osservare i sottolivelli occupati. Le guide tecniche, anch’esse in inglese, spiegano il passaggio dalle funzioni d’onda alle tabelle e infine ai punti disegnati sullo schermo.

Atomi sullo schermo dell’ESP32S3

Il codice sorgente resta pubblico. Il firmware C++ attuale usa ESP-IDF e PlatformIO; il simulatore desktop Python e la versione MicroPython rimangono disponibili nel progetto. La lezione sul riempimento copre 118 elementi, mentre il visualizzatore atomico del firmware supporta gli elementi dall’idrogeno all’uranio, Z = 1–92.

Perché è un progetto pedagogico?

Ci sono alcuni accorgimenti nel progetto per poter accenare alla fisica fondamentale:

  • È visualizzata in tempo reale una scala in picometri della scena
  • Il nome dell’elemento in italiano e il suo numero atomico sono visualizzati in animazione, prima del calcolo della nuvola.
  • Gli orbitali dell’idrogeno specificano i numeri quantistici che le determinano (n, l, m).
  • Negli orbitali dell’idrogeno, blu e arancio indicano il segno della funzione d’onda reale: entrambi rappresentano probabilità di trovare un elettrone.
  • La rotazione consente di capire le simmetrie e le similitudini fra orbitali diversi
  • Negli atomi, i colori distinguono i gusci elettronici identificati dal numero quantico principale n.
  • I gusci elettronici possono essere “esplosi” con un’animazione graduale, dalla fascia orbitale più lontana a quella più vicina.
  • L’animazione dei gusci elettronici specifica il numero di elettroni in ogni guscio, il nome del guscio
  • La nuvola di punti sullo schermo rispecchia le proporzioni di elettroni in ogni guscio.
  • La navigazione fra atomi segue l’ordine della tabella periodica degli elementi.

La scala in picometri aiuta a confrontare le dimensioni delle nuvole, ma un atomo non ha un bordo netto: il raggio dipende dalla definizione adottata. Le dimensioni visualizzate seguono il modello e la calibrazione del progetto. Scorrendo gli elementi possiamo osservare che aggiungere elettroni non significa necessariamente ottenere un atomo più grande: all’interno di un periodo, la maggiore attrazione nucleare tende a contrarre la nuvola.

AI Disclaimer

Tra chi programma sta prendendo piede l’abitudine di dichiarare apertamente quanto di un progetto sia stato scritto con l’aiuto dell’intelligenza artificiale: una sorta di etichetta degli ingredienti applicata al codice, ancora poco diffusa ma che qui vogliamo condividere volentieri. Per questo progetto la risposta è: molto. L’autore non ha competenze sufficienti in fisica quantistica per garantire personalmente la correttezza dei risultati, e ha scritto meno del 5% del codice complessivo. Ha però costruito un processo di validazione solido, descritto più sopra, per assicurarsi che la simulazione fosse verificata e coerente, e preferisce raccontare qui gli strumenti e il metodo usati.

Strumenti AI utilizzati

  • Ricerca di fonti autorevoli: Claude Web (piano Pro) e ChatGPT (versione gratuita)
  • Codice sorgente C++: generato principalmente con Claude Code (Sonnet 4, livello di ragionamento “High”)
  • Codice sorgente Python: generato principalmente con DeepSeek Harness, con modello DeepSeek-V4-Flash (“High”)
  • Analisi della fisica e documentazione : DeepSeek Harness con modello DeepSeek-V4-Flash (“High”)
  • Costo in tokens complessivo: circa 4-5 $ di crediti DeepSeek, un paio di settimane di abbonamento Claude Pro (equivalenti a circa 10 €)

Strategia AI usata

Per ottenere buoni risultati dalla programmazione automatica, con pochi interventi manuali sul codice, è importante che il modello di AI possa testare da solo le proprie modifiche e confrontarle con i risultati precedenti, senza bisogno di supervisione continua: in gergo, togliere il “man-in-the-loop”.

Il progetto è partito da una fase di ricerca: individuare simulatori autorevoli e corsi universitari di riferimento, scaricarli in locale per darli in pasto agli agenti AI (l’equivalente di una ricerca bibliografica), e far generare a Claude Code delle tabelle di dati dalle implementazioni autorevoli, da usare come base di test.

È seguita la fase di porting: chiedere a Claude Code di tradurre le implementazioni in Python, un compito in cui le AI eccellono, e convalidare i calcoli ottenuti confrontandoli con Claude e DeepSeek. A quest’ultimo l’autore ha anche chiesto di spiegare e documentare l’implementazione realizzata, per poi dedicare del tempo a capire davvero le tecniche usate e i modelli fisici: una delle fasi più lunghe del progetto, perché qui il controllo umano resta indispensabile.

Una volta ottenuta un’implementazione corretta e completa in Python su PC, con tanto di animazioni e colori messi a punto iterando direttamente lì, è arrivato il momento di chiedere all’AI la conversione in MicroPython e C++, applicando le best practice del linguaggio con un misto di esempi generati ed editing manuale. Le ottimizzazioni sono state poi testate su diverse board, e infine sono arrivati gli effetti grafici: un’altra fase lunga, ancora una volta con il controllo umano al centro.

In questo progetto, due tecniche sono state usate per la prima volta dall’autore: chiedere all’AI di redigere documenti di sintesi del codice e studiare su quelli (invece che partire dai sorgenti), e generare GIF animate o catturare screenshot dello schermo dell’ESP32 per velocizzare il controllo visivo del progetto e le scelte di interfaccia grafica.

Vieni a scoprire progetti come questo al FabLab Bergamo

Se questo tipo di progetti ti incuriosisce, che tu sia un insegnante in cerca di uno strumento didattico originale, un appassionato di elettronica o semplicemente qualcuno a cui piace vedere la fisica prendere forma davanti agli occhi, vieni a trovarci in laboratorio: scopri cos’è il FabLab Bergamo e come si diventa soci nella pagina associarsi. È lo stesso principio su cui si fonda l’idea di FabLab fin dall’inizio: gli strumenti di prototipazione digitale, un tempo riservati a laboratori universitari o industrie, oggi stanno su una scrivania e permettono a chiunque di trasformare un’idea, anche complessa come la meccanica quantistica, in qualcosa di tangibile. Un piccolo prisma, uno schermo economico, e un atomo che fluttua davvero nell’aria.

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. Per maggiori informazioni.

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o clicchi su "Accetta" permetti al loro utilizzo. Privacy Policy di FABLAB BERGAMO

Chiudi