L’Ai al soccorso della turbolenza
Un progetto di fisica teorica sta studiando la possibilità di controllare e predire le proprietà statistiche dei fluidi turbolenti tramite l’intelligenza artificiale
Per chi si occupa di fisica teorica, e in particolare di sistemi complessi fortemente instabili, è fondamentale cercare di capire se e quanto l’Ai possa essere un valido alleato. Ma il condizionale è d’obbligo: prima di utilizzare le stesse reti neurali che sottendono ai successi di ChatGpt o ad altri strumenti di intelligenza artificiale in un settore così delicato, è necessario verificarne a livello sperimentale la corretta riproduzione dei fenomeni.
È questo lo scopo principale di “Smart-Turb”, un progetto finanziato dall’Erc, giunto all’ultimo anno (sui cinque previsti) di cui è assegnatario Luca Biferale, professore ordinario di Fisica Teorica. Un progetto che ha raccolto l’interesse di un vasto numero di giovani ricercatori di varie nazionalità che collaborano all’interno di un gruppo dotato dei migliori strumenti di calcolo per l’Ai all’Università di Roma Tor Vergata. “Si tratta di un processo di validazione necessariamente lento e delicato, perché va avanti per tentativi ed errori - spiega Biferale –
Ma è fondamentale per la ricerca scientifica lavorare in questo modo: purtroppo molte realtà commerciali tendono a saltare questi passaggi di verifica…”. Una volta validate le capacità dell’Ai nel riprodurre le dinamiche dei ?uidi turbolenti, il progetto ha due applicazioni conseguenti. Una di controllo, ovvero la generazione di protocolli per ottimizzare il trasporto di piccoli oggetti in un “mare” caotico, utile per controllare droni a volo autonomo o cercare sorgenti di contaminanti pericolosi od oggetti in movimento senza poterli vedere.
La seconda è connessa al “data augmentation”, cioè all’inferenza di nuove informazioni - recuperabili solo grazie all’Ai - all’interno di un processo specifico e da osservazioni limitate, come può accadere per esempio in meteorologia quando si vuole ricostruire lo stato del mare da osservazioni satellitari limitate o affette da errori. E i risultati sono decisamente incoraggianti. “Attraverso una accurata analisi statistica abbiamo dimostrato che i modelli generativi di machine learning possono catturare l’intera complessità delle dinamiche turbolente e generalizzarli, per prevedere eventi estremi e rari non osservati durante l’addestramento.
Queste nuove tecniche basate sui dati sono in grado di andare oltre la generazione di testi o immagini sintetici, aprendo nuove strade alla possibilità di aumentare i dati a disposizione degli scienziati”.
È questo lo scopo principale di “Smart-Turb”, un progetto finanziato dall’Erc, giunto all’ultimo anno (sui cinque previsti) di cui è assegnatario Luca Biferale, professore ordinario di Fisica Teorica. Un progetto che ha raccolto l’interesse di un vasto numero di giovani ricercatori di varie nazionalità che collaborano all’interno di un gruppo dotato dei migliori strumenti di calcolo per l’Ai all’Università di Roma Tor Vergata. “Si tratta di un processo di validazione necessariamente lento e delicato, perché va avanti per tentativi ed errori - spiega Biferale –
Ma è fondamentale per la ricerca scientifica lavorare in questo modo: purtroppo molte realtà commerciali tendono a saltare questi passaggi di verifica…”. Una volta validate le capacità dell’Ai nel riprodurre le dinamiche dei ?uidi turbolenti, il progetto ha due applicazioni conseguenti. Una di controllo, ovvero la generazione di protocolli per ottimizzare il trasporto di piccoli oggetti in un “mare” caotico, utile per controllare droni a volo autonomo o cercare sorgenti di contaminanti pericolosi od oggetti in movimento senza poterli vedere.
La seconda è connessa al “data augmentation”, cioè all’inferenza di nuove informazioni - recuperabili solo grazie all’Ai - all’interno di un processo specifico e da osservazioni limitate, come può accadere per esempio in meteorologia quando si vuole ricostruire lo stato del mare da osservazioni satellitari limitate o affette da errori. E i risultati sono decisamente incoraggianti. “Attraverso una accurata analisi statistica abbiamo dimostrato che i modelli generativi di machine learning possono catturare l’intera complessità delle dinamiche turbolente e generalizzarli, per prevedere eventi estremi e rari non osservati durante l’addestramento.
Queste nuove tecniche basate sui dati sono in grado di andare oltre la generazione di testi o immagini sintetici, aprendo nuove strade alla possibilità di aumentare i dati a disposizione degli scienziati”.
