Embedded Files
1. Problem solving con machine learning
1. Problem solving con machine learning
Contesto: Così come è possibile utilizzare l'intelligenza artificiale per riconoscere gli animali nelle foto su internet, si può cercare di utilizzarla per identificare tumori nelle immagini mediche, con una certa probabilià di successo.
Sfida: Scrivere un modello di machine learning in Python che possa distingue su due tipi di immagini prese da un archivio online su casi clinici e poi usare sugli stessi dati modelli più complessi resi disponibili da Google/Facebook/ etc. etc. per vedere come evolve la probabilità di successo con la dimensione del modello.
Risultato: Paragonare la frequenza delle corrette identificazioni (accuratezza) di pazienti affetti da tumori usando un modello "fatto in casa" contro quelle di modelli più evoluti e complessi.
2. Un telescopio per raggi cosmici
2. Un telescopio per raggi cosmici
Contesto: I raggi cosmici che arrivano alla superficie terrestre sono principalmente costituiti da muoni, generati negli strati superiori dell'atmosfera dall'interazione di particelle cariche di origine cosmogenica con gas terrestri.
Sfida: costruire un rivelatore di muoni sfruttando l'energia che depositano nella materia che attraversano, utilizzando blocchi di plastiche scintillanti lette con rivelatori di luce al silicio e costruendo la catena di acquisizione dati con schede di tipo Arduino.
Risultato: La misura del flusso di raggi cosmici alla superficie terrestre.
3. Una camera a nebbia
3. Una camera a nebbia
Contesto: ogni particella carica interagisce con la materia perdendo energia ionizzando gli atomi dei materiali che attraversa. In un ambiente sovrasaturo di vapore questa interazione può dare luogo ad una scia di condensazione intorno alla traiettoria delle particelle, dove il lieve eccesso di energia da esse depositato genera una perturbazione locale delle condizioni termodinamiche.
Sfida: costruire un rivelatore che sia in grado di visualizzare il passaggio di particelle cariche ed equipaggiarlo con sistema di rilevazione di queste tracce con algoritmi di identificazione basati su strumenti di machine learning.
Risultato: osservazione del passaggio di particelle cariche in un gas e identificazione automatica degli eventi avvenuti.
4. Missile a reazione
Contesto: la spinta a reazione è basata sulla conservazione della quantità di moto totale del sistema composto dal mezzo in movimento e dal combustibile espulso durante lo spostamento.
Sfida: costruire un modello di missile a reazione utilizzando bottiglie in plastica come veicolo ed aria compressa ed acqua come carburante.
Risultato: preparazione di un sistema di riempimento, pressurizzazione controllata e puntamento dei modelli di missile che permetta di determinare il punto di arrivo dei missili lanciati.
5. Microscopia ottica e diffusione anomala
5. Microscopia ottica e diffusione anomala
Contesto: Le dinamiche di diffusione anomala rappresentano deviazioni dal moto Browniano spesso osservate nello studio dei meccanismi di trasporto intracellulare. L'identificazione del tipo di moto e la quantificazione dei parametri caratteristici del processo possono essere effettuate con tecniche di microscopia ottica e l'analisi statistica delle traiettorie ricostruite sperimentalmente.
Sfida: Mettere a punto un protocollo di acquisizione di immagini al microscopio ottico e di ricostruzione e analisi delle traiettorie che, applicato a dataset di microscopia di fluorescenza, consenta l'indagine quantitativa dei moti di diffusione intracellulare di virus, recettori, nanostrutture, motori molecolari.
Risultato: Studio di moti anomali di tipo sub- e super-diffusivo di interesse biofisico. Su scala macroscopica, l’analisi potrà anche essere applicata all’analisi di traiettorie tratte da database di ambiti diversi, come etologia e matematica finanziaria, dove le traiettorie di caccia di varie specie animali o le fluttuazioni statistiche degli andamenti azionari sono descritte dagli stessi modelli teorici di sub- e super-diffusione (moto browniano frazionario, voli di Lévy…).
Page updated
Report abuse