Physics - Fisica

ANDREA CIARDIELLO
ANDREA CIARDIELLO
STEFANO GIAGU
STEFANO GIAGU

OBIETTIVI GENERALI:
Acquisire familiarità con tecniche avanzate di deep learning basato su modelli di reti neurali differenziabili con paradigmi di apprendimento supervisionato, non supervisionato e rinforzato; acquisire competenze di modellizzazione di problemi complessi, attraverso tecniche di deep learning, e saperle applicare a contesti applicativi diversi nei campi della fisica, della ricerca scientifica di base e applicata.

Gli argomenti trattati includono: richiami generali sul Machine Learning, reti neurali differenziabili, tecniche di regolarizzazione. Convolutional neural network, neural network per analisi di sequenze (RNN, LSTM/GRU, Transformers). Tecniche avanzate di apprendimento: transfer learning, domain adaptation, adversarial learning, self-supervised and contrastive learning, model distillation.
Graph Neural Networks (statici e dinamici) e applicazione a modelli strutturati per la fisica: modelli dinamici, simulazione di fluidi complessi, GNN Hamiltoniani e Lagrangiani. Modelli generativi e variazionali: variational mean-field theory, expectation maximization, modelli energy based e maximum entropy (Hopfield networks, Boltzman machines and RBM), AutoEncoders, Variational AutoEncoders, GANs, Autoregressive flow models, invertible networks, modelli generativi basati su GNN. Reti Neurali quantistiche.

OBIETTIVI SPECIFICI:
A - Conoscenza e capacità di comprensione
OF 1) Conoscenza sul funzionamento delle reti neurali e loro interpretazione matematica come approssimatori universali
OF 2) Comprensione dei limiti e delle potenzialità di modelli avanzati di deep learning
OF 3) Compresione dei limit e delle potenzialità dell’uso del DL nel risolvere problemi di fisica
B – Capacità applicative
OF 4) Progettazione, implementazione, messa in esercizio e analisi di architetture di deep learning per risolvere problemi complessi in divers ambiti applicativi della fisica e della ricerca scientifica

C - Autonomia di giudizio
OF 5) Essere in grado di valutare le prestazioni di diverse architetture, e di valutare la capacità di generalizzazione delle stesse
D – Abilità nella comunicazione
OF 6) Essere in grado di comunicare con chiarezza la formulazione di un problema di apprendimento avanzato e la sua implementazione, la sua applicabilità in contesti realistici
OF 7) Essere in grado di motivare le scelte architetturali e di regolarizzazione alla base di un modello di DL

E - Capacità di apprendere
OF 8) Essere in grado di apprendere tecniche alternative e più complesse
OF 9) Essere in grado di implementare tecniche esistenti in maniera efficiente, robusta e affidabile