Metodi e tecnologie software per la fisica
Nei prossimi anni verrà prodotta una quantità senza precedenti di dati sia in campo scientifico che dal sistema economico industriale, quindi dovremo affrontare la sfida di estrarre valore da questa esplosione di dati. In questo contesto il supercalcolo, la simulazione numerica, l'intelligenza artificiale, l'analisi dei dati ad alte prestazioni e la gestione dei Big Data saranno essenziali e strategici per comprendere e rispondere alle grandi sfide della società e per stimolare la crescita economica, consentendo al mondo accademico e all'industria di sviluppare servizi e scoperte. L’attività è trasversale a tutti gli ambiti della Fisica e ne travalica altresì i confini, promuovendo l’approccio multidisciplinare alle “sfide sociali” riassunte dagli obiettivi di sviluppo sostenibile della “2030 Agenda for Sustainable Development”. Essa mira a sviluppare il Triangolo della Conoscenza mediante: la creazione di infrastrutture digitali sostenibili per la ricerca; l’adozione di metodologie e servizi per l’analisi di “big data”, ormai tipici in varie aree della Fisica, e anche in altri ambiti, ivi inclusi quelli industriale e sociale; la promozione della “challenge driven education” sia nei curricula universitari che nei programmi formativi esterni. Alcune attività di ricerca condotte specificamente al DFA sugli sviluppi di tecniche di Machine Learning e di Big Data Analysis e sulle loro applicazioni alla Fisica e ad altri ambiti delle scienze sono brevemente discusse nel seguito.
Ricerca e sviluppo di nuove tecniche di Supervised e Unsupervised Machine Learning
Docenti: Marco Russo
Questa linea di ricerca è rivolta alla creazione di tecniche innovative di apprendimento automatico, con particolare riguardo alle tecniche di modellazione e clustering. Le tecniche principali investigate riguardano le Programmazione Genetica, gli Algoritmi Evolutivi, le Reti Neurali, il Clustering e la Fuzzy Logic. Tra le numerose tecniche sviluppate si sottolineano il Brain Project, l'ELBG, FuGeNeSys, FACS, GEFREX, PAUL, LBGS.
Machine Learning Applications
Docenti: Marco Russo
In questo ambito di ricerca si intende applicare il Machine Learning con lo scopo di sviluppare nuove tecniche di analisi dati applicate in svariati campi, con particolare attenzione soprattutto alla fisica. Tra i campi applicativi di interesse del gruppo svi sono:
- Studio della Morfologia e dimensioni delle nanostrutture
- Classificazione in esperimenti di Fisica Nucleare
- Real Time Gravitation Wave Detection
- Modellazione matematica in Solar Power Forecasting
- Classificatori e screening tools in Medicina
Big data analysis, calcolo parallelo e/o distribuito, e ottimizzazione di codice
Docenti: Marco Russo
Questa area di studio riguarda soprattutto l'analisi, la modellazione e il filtraggio di big data. Tra le sotto-aree investigate presso il Dipartimento vi sono sia il calcolo eseguito su più core della medesima CPU, che quello più complesso che riguarda in aggiunta il calcolo distribuito su più elaboratori. Questa area di ricerca presta particolare attenzione anche alle procedure necessarie alla ottimizzazione di codice.
