AI generativa per traiettorie di particelle in turbolenza: studio innovativo del Gruppo di Meccanica Statistica e Fisica dei Sistemi Complessi
La prestigiosa rivista Nature Machine Intelligence ha pubblicato la ricerca ideata e realizzata da ricercatori del nostro Dipartimento, inserendola in copertina per il numero di aprile 2024.
Il gruppo di meccanica statistica diretto da Luca Biferale, professore ordinario di Fisica teorica presso questo Dipartimento, ha sviluppato un modello generativo utilizzando tecniche avanzate di Machine Learning basate su algoritmi di diffusione (data-driven diffusion model) in grado di generare traiettorie sintetiche di particelle in flussi turbolenti, al centro di numerosi problemi applicati e fondamentali legati alla dispersione caotica in ingegneria, bio-fluidica, fisica dell’atmosfera, oceanografia e astrofisica.
Nonostante gli eccezionali sforzi teorici, numerici e sperimentali condotti negli ultimi 30 anni, nessun modello esistente era stato in grado di riprodurre fedelmente le proprietà statistiche e topologiche esibite dalle traiettorie delle particelle in turbolenza.
Attraverso una accurata analisi statistica, si è riusciti a dimostrare che i modelli di Machine Learning possono “catturare” l’intera complessità delle dinamiche turbolente e generalizzarle per prevedere eventi estremi e rari non osservati durante l’addestramento. Si tratta di un primo importante risultato di un progetto di lungo termine che vede il gruppo di giovani ricercatori formato da Michele Buzzicotti (RTDb), Tianyi Li (post-doc), Fabio Bonaccorso (tecnologo) e Martino
Scarpolini (post-doc), impegnato su problemi avanzati alla frontiera tra l’Intelligenza Artificiale e la Fisica Teorica, insieme anche ai post-doc Robin Heinonen, Fabio Guglietta e Lorenzo Piro e agli
studenti di dottorato Chiara Calascibetta, Damiano Capocci, Andre Freitas, Francesco Fossella, e Elisa Bellantoni, finanziati a livello europeo dall’European Research Council e nazionale dal Ministero della Ricerca con diversi progetti: ERC Advanced Grant, Aqtivate, MUR-FARE, PRIN2022.
Abbiamo dimostrato come queste nuove tecniche basate sui dati siano capaci di andare oltre la generazione di testi o immagini ‘sintetici’ aprendo nuove strade alla possibilità di aumentare i dati a disposizione degli scienziati anche in campi ‘quantitativi’ come nel caso delle nostre ricerche sui fluidi e flussi complessi.
2018 -2019 - Università degli studi di Tor Vergata - Dipartimento di Fisica