Team

Massimo Panella (massimo.panella@uniroma1.it) è nato a Roma nel 1971. Ha ricevuto la laurea quinquennale in Ingegneria Elettronica con Lode nel 1998 e il Dottorato di Ricerca in Ingegneria dell'Informazione e della Comunicazione nel 2002, entrambi presso l'Università degli Studi di Roma "La Sapienza". Attualmente è Direttore del Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET) dell'Università di Roma "La Sapienza", dove è Professore Ordinario con docenza nei settori dell’elettrotecnica e del machine learning applicato. A partire da marzo 2018 è anche abilitato al ruolo di Professore Ordinario in Ingegneria Informatica. Le sue attività di ricerca riguardano l'intelligenza computazionale e il calcolo quantistico per il modellamento, l'ottimizzazione e il controllo di sistemi reali, cioè l'uso di reti neurali, logica fuzzy, algoritmi evolutivi e circuiti quantistici per la risoluzione di problemi di apprendimento supervisionato e non supervisionato, per l'analisi di serie temporali e per l'elaborazione in genere di segnali e dati. Le applicazioni spaziano dallo sviluppo di algoritmi di apprendimento in ambienti federati e distribuiti alla progettazione di modelli e architetture di calcolo per il deep learning, dall'implementazione di reti neurali in sensori intelligenti e in sistemi embedded alla sintesi di circuiti e algoritmi per il quantum machine learning. Gli ambiti applicativi si concentrano in particolare su energia, ICT, bioingegneria, economia, aerospazio e sicurezza, soprattutto considerando sistemi complessi e servizi a rete come smart grid, IoT, logistica, reti di sensori intelligenti, etc.

Antonello Rosato (antonello.rosato@uniroma1.it) è nato nel 1990. Ha conseguito la laurea in Ingegneria delle telecomunicazioni con lode presso l'Università degli Studi di Roma “La Sapienza”, nel 2015. Nel 2018 ha conseguito il dottorato di ricerca in Tecnologie dell'Informazione e della Comunicazione presso la stessa Università. Attualmente è Ricercatore a tempo determinato (RTD-A) presso il Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET), Università di Roma “La Sapienza”. I suoi interessi di ricerca includono tecniche di apprendimento automatico per predizione di comportamenti complessi, modelli e sistemi neurali e neuro-fuzzy, algoritmi di clustering distribuito, studio di reti neurali randomizzate, hyperdimensional computing e vector symbolic architectures. Le sue attuali attività sono nel campo dell'applicazione di tecniche di deep learning e brain-inspired computation per l'implementazione nei settori dell'energia e della biomedicina.

Alessio Fioravanti (alessio.fioravanti@uniroma1.it) è nato a Roma nel 1978. Ha conseguito la laurea quinquennale in Ingegneria Informatica nel 2006 presso l'Università degli Studi di Roma "La Sapienza" e il Dottorato in Ingegneria Biomedica nel 2016 presso l’Università Politecnica di Madrid (Spagna). La sua esperienza è focalizzata su piattaforme tecnologiche per il monitoraggio di persone affette da malattie croniche, attraverso sensori biomedici intelligenti, tecnologie wireless e piattaforme smart. Ha lavorato su protocolli di comunicazione nel campo della telemedicina, interoperabilità di dispositivi biomedici e comunicazione tra sensori. È inoltre esperto in sistemi basati su tecniche di visione e realtà aumentata, così come su sistemi di Image Object Detection basati su tecniche di machine learning. Ha collaborato come responsabile tecnico in diversi progetti nazionali ed europei di ricerca e sviluppo. È attualmente Assegnista di Ricerca presso il Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET) dell’Università di Roma “La Sapienza”.

Federico Succetti (federico.succetti@uniroma1.it) è nato a Roma nel 1992. Ha conseguito la Laurea (triennale) e la Laurea Magistrale in Ingegneria Elettronica presso l'Università degli Studi di Roma “La Sapienza”, rispettivamente a maggio 2016 e ottobre 2019. Da novembre 2019 a ottobre 2021 ha lavorato come Assegnista di Ricerca presso l'Università di Roma “La Sapienza”. Il suo compito principale ha riguardato lo sviluppo di algoritmi di deep learning per la gestione e il controllo di sistemi complessi. Ha maturato una specifica esperienza nello sviluppo di reti neurali profonde per la previsione di serie temporali nel campo delle energie rinnovabili. Nel novembre 2021 ha iniziato il suo dottorato di ricerca in Tecnologie dell'Informazione e della Comunicazione presso l'Università degli Studi di Roma “La Sapienza”.

Francesco Di Luzio (francesco.diluzio@uniroma1.it) è nato nel 1996. Ha conseguito nel 2018 la laurea triennale in Ingegneria Gestionale e nel 2020 la laurea magistrale in Ingegneria Gestionale (curriculum Business Intelligence e Analytics), entrambe presso l'Università di Roma “La Sapienza” dove attualmente è assegnista di ricerca su temi riguardanti deep learning ed explainable AI applicati all'analisi di dati multivariati e multimediali in applicazioni reali. I suoi interessi di ricerca includono algoritmi e modelli di machine learning e deep learning per il riconoscimento delle emozioni e l'analisi comportamentale, l'intelligenza computazionale e la previsione di serie temporali nel campo delle fonti di energia rinnovabile. 

Andrea Ceschini (andrea.ceschini@uniroma1.it) è nato nel 1996. Ha conseguito la Laurea Magistrale in Ingegneria Gestionale con Lode presso l'Università degli Studi di Roma “La Sapienza”, nel 2020. Nello stesso anno ha conseguito l'Abilitazione di Ingegnere Professionale. Attualmente sta studiando per il Dottorato di Ricerca in Tecnologie dell'Informazione e della Comunicazione presso la stessa Università. Svolge le sue ricerche presso il Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET). I suoi interessi di ricerca includono algoritmi di machine learning quantistico su dispositivi Noisy Intermediate-Scale Quantum (NISQ), tecniche di machine learning per la previsione di serie temporali di energia, circuiti modelli e sistemi neurali, algoritmi di elaborazione del segnale su big data. Le sue attività in corso riguardano lo sviluppo di nuove reti neurali quantistiche e quantistiche, nonché l'implementazione di modelli di deep learning nei domini energetico e biomedico.

Alessio Verdone (alessio.verdone@uniroma1.it) è nato a Roma nel 1994. Ha conseguito la laurea triennale in Ingegneria Gestionale nel 2017 e la laurea magistrale con lode in Artificial Intelligence and Robotics nel 2020 presso l’Università degli Studi di Roma "La Sapienza". Nel 2021 ha lavorato presso DXC come sviluppatore web. Alla fine dello stesso anno ha iniziato il dottorato di ricerca in Tecnologie dell’Informazione e delle Comunicazioni (ICT) presso il Dipartimento di Ingegneria dell’Informazione, Elettronica e Telecomunicazioni (DIET) dell’Università degli Studi di Roma "La Sapienza". I suoi attuali interessi di ricerca riguardano lo studio e lo sviluppo di algoritmi di Deep Learning, in particolare Graph Neural Networks, applicati a contesti energetici rinnovabili. 

Federica Colonnese (federica.colonnese@uniroma1.it) è nata a Roma nel 1997. Ha conseguito la Laurea in Ingegneria Gestionale nel 2020 e la Laurea Magistrale in Ingegneria Gestionale (curriculum Business Intelligence & Analytics) nel 2022 presso l'Università degli Studi di Roma "La Sapienza". Attualmente è studentessa di dottorato in Tecnologie dell'Informazione e della Comunicazione presso la stessa Università. I suoi principali interessi riguardano lo sviluppo di modelli di machine learning e deep learning applicati al campo biomedico e neuropsichiatrico.

Francesca De Falco (francesca.defalco@uniroma1.it) è nata a Roma nel 1999. Ha conseguito la laurea triennale con lode in Ingegneria Elettronica nel 2021 e la laurea magistrale con lode in Ingegneria Elettronica nel 2023 presso l’Università degli Studi di Roma “La Sapienza”.  Attualmente è studentessa di dottorato in Tecnologie dell’Informazione e delle Comunicazioni (ICT) presso la stessa Università. I suoi principali interessi di ricerca riguardano lo sviluppo di algoritmi di machine learning quantistico, con particolare attenzione ai modelli generativi quantistici. 

Simone Piperno (simone.piperno@uniroma1.it) è nato a Roma nel 1998. Ha conseguito la laurea triennale in Fisica nel 2020 e la laurea magistrale in Data Science nel 2023, entrambe presso l’Università degli Studi di Roma "La Sapienza". Attualmente è studente di dottorato in Tecnologie dell’Informazione e delle Comunicazioni (ICT) presso il Dipartimento di Ingegneria dell'Informazione, Elettronica e Telecomunicazioni (DIET). I suoi interessi di ricerca riguardano algoritmi di machine learning quantistico su dispositivi Noisy Intermediate-Scale Quantum (NISQ), in particolare finora si è occupato di Quantum Graph Neural Networks applicate a problemi di fisica molecolare ed al momento si sta occupando di Quantum Simplicial Neural Networks.

Leonardo Lavagna (leonardo.lavagna@uniroma1.it) è nato nel 1995. Si è laureato in matematica con una specializzazione in Data Science l'Università degli Studi di Roma "La Sapienza”. È attualmente dottorando di ricerca in Tecnologie dell’Informazione e delle Comunicazioni (ICT) presso il Dipartimento di Ingegneria dell’Informazione, Elettronica e Telecomunicazioni (DIET) dell’Università degli Studi di Roma "La Sapienza". Prima di iniziare il percorso di dottorato ha lavorato nel ramo della consulenza nell’industria farmaceutica e delle biotecnologie come esperto di modellazione statistica e machine learning. I suoi interessi di ricerca riguardano: processi di evoluzione nei computer quantistici (dalle tecniche di encoding alla definizione delle osservabili e le relative misure) e i relativi algoritmi; l’ottimizzazione quantistica, con particolare riguardo ai circuiti variazionali in contesti ibridi e alle tecniche ispirate alla termodinamica (calcolo adiabatico, quantum annealing, etc.) nonché la teoria dell’informazione quantistica e le relative applicazioni ai modelli di machine learning.