Ricerca
Questi sono i temi principali attualmente sviluppati da NESYA in pubblicazioni, progetti e tesi degli studenti.
Altri argomenti che ricadono nei vari campi applicativi di NESYA sono ovviamente possibili, non esitate a contattarci!
Intelligenza artificiale per tecnologie green e sostenibili
La gestione dell'energia è un fattore chiave per la crescita e lo sviluppo della società. La previsione del consumo e della produzione di energia è diventata un'esigenza cruciale per migliorare le prestazioni energetiche e la sostenibilità ambientale. Nell'ambito delle fonti energetiche rinnovabili, lo sviluppo di nuovi paradigmi di deep learning rappresenta un'importante sfida per lo sviluppo sostenibile. Stiamo applicando diverse tecnologie e studiando nuovi framework algoritmici per realizzare sinergie tra diverse soluzioni nella "Twin Transition" dei sistemi energetici e digitali. Alcune possibili tesi di Laurea Triennale e Magistrale potrebbero riguardare:
predizione di serie temporali energetiche (carico e produzione), in particolare per le fonti energetiche rinnovabili;
modelli avanzati di ottimizzazione basati su reti neurali e tecniche generative per applicazioni nei settori dell'energia verde e intelligente;
machine learning e deep learning applicati a smart grid, edifici intelligenti, comunità energetiche, reti di sensori intelligenti, ecc.
Hyperdimensional Computing e Architetture Simboliche Vettoriali
Applicazione dei concetti cardine di Hyperdimensional Computing (HDC) e Architetture Simboliche Vettoriali (VSA), basati su rappresentazioni vettoriali distribuite e randomiche, nelle varie fasi di progettazione e applicazione delle reti neurali. In particolare, stiamo studiando: i vettori HD come input/output per reti neurali e le loro applicazioni nell'apprendimento randomizzato, le funzioni primitive HDC/VSA per la progettazione di reti neurali e la loro interpretabilità. L'obiettivo a lungo termine è studiare la possibilità di un'intera struttura di intelligenza artificiale basata su questi concetti, sfruttando tecnologie ispirate al cervello (brain-like). Alcune possibili tesi di Laurea Magistrale, anche in collaborazione con l'Università della California Berkeley e con la Luleå University of Technology (Svezia), potrebbero riguardare l'applicazione di HDC/VSA a computer vision, comunicazione wireless, elaborazione del linguaggio, classificazione, predizione di serie temporali e modellamento neurale.
Quantum AI: circuiti, algoritmi e applicazioni
L'enorme quantità di dati prodotti e la crescente complessità dei tradizionali modelli di deep learning richiedono lo sviluppo di nuovi sistemi e algoritmi che siano anche scalabili. Una nuova area di ricerca è rappresentata dalla Quantum Artificial Intelligence (QAI) che sfrutta le leggi della meccanica quantistica per gestire in modo efficiente dati eterogenei su larga scala. Un approccio ibrido classico-quantistico basato su Variational Quantum Circuits (VQC) rappresenta la soluzione più promettente per sfruttare dispositivi a breve termine (near-term). Ci concentriamo sulle ultime applicazioni di quantum machine learning e quantum deep learning su dispositivi a breve termine, nonché sul suo possibile vantaggio quantistico. Il framework di apprendimento variazionale viene analizzato per affrontare problemi classicamente difficili da risolvere, come l'ottimizzazione del portfolio, la classificazione dei dati ad alta dimensionalità e la simulazione di eventi fisici ad alta energia. Alcune possibili tesi di Laurea Magistrale, anche in collaborazione con il CERN e con il Φ-lab dell'Agenzia Spaziale Europea (ESA), potrebbero riguardare:
progettazione di reti neurali quantistiche convolutive, ricorrenti o a grafo attraverso VQC in grado di funzionare su dispositivi quantistici a breve termine per un'elaborazione efficiente dei dati;
Quantum Convolutional Neural Networks per l'analisi massiva di immagini nel dominio del Multispectral Satellite Imagery e dell'High Energy Physics (HEP);
Quantum Generative Adversarial Networks per la generazione massiva di dati sintetici nel dominio HEP;
analisi del contesto di apprendimento variazionale, esplorando la possibilità di teorizzare nuovi modelli ansatz, affrontare il problema degli barren plateaus e codificare i dati in modo efficiente con circuiti quantistici parametrizzati;
analisi di capacità, espressività e generalizzazione delle reti neurali quantistiche su dati e applicazioni del mondo reale.
Algoritmi di ottimizzazione quantistica
L'ottimizzazione quantistica nel contesto del quantum computing sfrutta i principi della meccanica quantistica per migliorare l'efficienza degli algoritmi di machine learning. L'obiettivo principale è trovare soluzioni ottimali o approssimate ai problemi di ottimizzazione, le quali sono cruciali in molte applicazioni di machine learning come nel caso di addestramento dei modelli. A differenza dei classici algoritmi di ottimizzazione, gli algoritmi quantistici possono sfruttare le proprietà uniche di sovrapposizione ed entanglement per ottenere proprietà vantaggiose, come livelli di errore più bassi o tassi di convergenza più rapidi. In questo quadro, alcuni potenziali argomenti di tesi magistrali potrebbero includere l'implementazione di nuovi algoritmi di ottimizzazione quantistica, l'applicazione di algoritmi di ottimizzazione quantistica in contesti di elevato interesse pratico o l'integrazione di metodi di machine learning tradizionale con procedure di ottimizzazione quantistica utilizzando un approccio ibrido al fine di sfruttare i vantaggi sia dell’approccio classico sia di quello quantistico.
Riconoscimento delle emozioni e analisi comportamentale
Il riconoscimento delle emozioni identifica le emozioni umane mediante un sistema di classificazione che elabora dati non strutturati, rivelando l'umore delle persone analizzate. Le emozioni umane possono essere riconosciute da espressioni facciali, linguaggio, gesti, postura o anche da segnali psicologici. I risultati scientifici ottenuti in questo campo possono essere applicati a molte applicazioni reali quali e-learning, sistemi di raccomandazione, monitoraggio della salute, profilazione dei clienti, sistemi di customer satisfaction e così via. Alcune possibili tesi di Laurea Magistrale, anche in collaborazione con Machine Learning Solutions, potrebbero riguardare:
analisi multimodale del riconoscimento delle emozioni mediante l'utilizzo del machine learning applicato a molteplici flussi di dati relativi a diversi canali di informazione come video, immagini, parlato, testo, ecc.;
applicazioni biomediche con l'opportunità di sviluppare modelli di deep learning per il monitoraggio sanitario e la telemedicina, dal rilevamento della malattia all'analisi della predisposizione alla malattia.
Apprendimento federato supervisionato e non supervisionato
Con l'apprendimento federato è possibile addestrare un algoritmo su più dispositivi che lavorano sul proprio dataset locale, senza scambiare i dati stessi. Inoltre, gli approcci decentralizzati (o distribuiti) assumono un'identica distribuzione dei dataset locali. L'apprendimento federato consente di costruire modelli di machine learning senza condividere i dati, consentendo così di gestire questioni critiche come privacy e sicurezza dei dati, diritti di accesso ai dati e accesso a dati eterogenei. Alcune possibili tesi di Laurea Triennale e Magistrale potrebbero riguardare:
edge machine learning e applicazioni IoT;
algoritmi distribuiti per clustering, classificazione, regressione e predizione di serie temporali;
apprendimento federato applicato a logistica, finanza, e-Health, smart grid, e-Mobility, ecc.
Dispositivi indossabili per telemedicina e applicazioni biomediche
Con l'avvento di nuovi dispositivi indossabili e smartwatch, un nuovo problema sta attirando l'interesse di industrie e centri di ricerca di tutto il mondo. E' infatti necessario studiare lo sviluppo, l'adattamento e la validazione di algoritmi di intelligenza artificiale (AI) e di machine learning al fine di sfruttare la futura disponibilità di big data relativi alle applicazioni sanitarie. Alcune possibili tesi di Laurea Magistrale, anche in collaborazione con ESSEDH, potrebbero riguardare:
procedure di classificazione dei dispositivi Internet of Medical Things (IoMT);
studio di misurazioni cliniche digitali con modelli data driven e algoritmi basati su AI per la valutazione dei biomarcatori;
metodologie di benchmarking dei dispositivi in base ai dati clinici digitali da essi raccolti.
Intelligenza artificiale per il turismo intelligente e i beni culturali
Questa attività di ricerca mira allo sviluppo di nuovi sistemi di data mining e data retrieval basati su algoritmi intelligenti che sfruttano tecniche di machine learning e deep learning per la fruizione di contenuti dinamici e personalizzati sui dispositivi portatili del turista. Alcune possibili tesi di Laurea Triennale e Magistrale, anche in collaborazione con Manet Mobile Solutions, potrebbero riguardare:
metodologie allo stato dell'arte per l'analisi dei percorsi tramite machine learning e deep learning;
estrazione di contenuti turistici e context-aware computing;
clustering dei siti turistici e analisi dei percorsi turistici;
analisi di serie temporali per sistemi di raccomandazione turistici e valutazione dei siti;
sviluppo di algoritmi intelligenti per l'analisi del comportamento del turista su base geografica.
