PRESENTAZIONE

Cosa è un algoritmo di machine learning? Perché il machine learning sta acquisendo un ruolo primario nella fisica? Quali problemi possono essere ottimizzati? Quale è l'algoritmo più adeguato a risolvere il mio problema fisico?  

Queste alcune delle domande che il corso si propone di rispondere,  dotando studentesse e studenti dello stato dell'arte in fatto di utilizzo e comprensioni di algoritmi di intelligenza artificiale applicati alla fisica, passando per una comprensione critica di risultati e volgendo lo sguardo allo sviluppo di algoritmi futuri e delle tecnologie più promettenti. 

OBIETTIVI E CONTENUTI

OBIETTIVI FORMATIVI

L'insegnamento mira a sviluppare le abilità di comprensione e implementazione di algoritmi machine learning applicati a problemi di fisica. I maggiori algoritmi neurali verranno descritti e discussi con varie esempi pratici di come sono usati per risolvere problemi di fisica.

OBIETTIVI FORMATIVI (DETTAGLIO) E RISULTATI DI APPRENDIMENTO

Il corso si propone di fornire gli strumenti concettuali, teorici e metodologici per una chiara comprensione degli algoritmi di machine learning utilizzati in fisica. Per raggiungere tale obiettivo, verranno descritte e messe in pratica le tecniche necessarie per comprendere le reti neurali più moderne e la loro applicazioni a problemi di fisica. 

Alla fine del corso, studentesse e studenti saranno in grado di:

• comprendere il funzionamento di reti neurali feed-forward, convoluzionali e ricorrenti. 
• utilizzare queste reti per costruire architetture più moderne come deep-sets e reti neurali a grafi.
• analizzare criticamente un generico lavoro scientifico riguardante l'utilizzo di queste tecniche per la risoluzioni di un problema fisico. 
• impostare ed implementare in autonomia ogni passo per lo sviluppo di un algoritmo machine learning che sia ottimale per il vostro problema specifico. 

PREREQUISITI

Il corso è auto-consistente. Conoscenza generale riguardo la fisica delle particelle è utile ma non necessaria.  Similmente la conoscenza del linguaggio di programmazione Python è un utile (conoscenza acquisite dalla triennale), ma non necessaria.

MODALITA' DIDATTICHE

Il corso ha una forte componente applicativa. Si discuteranno in lezioni teoriche le basi per la comprensioni degli algoritmi di machine learning che poi verranno implementati in lezioni dedicate. 

PROGRAMMA/CONTENUTO

Il corso si propone di:

- introdurre i concetti di algoritmi di minimizzazione di un funzionale scalare (la loss function)

- introdurre gli strumenti necessari per lo svolgimenti pratico del corso, quali Python, Tensorflow e Pytorch.

- Reti neurali dense ed esempi di applicazioni in fisica

- Reti convoluzionali ed esempi di applicazioni in fisica

- Reti Ricorrenti ed esempi di applicazioni in fisica

- Reti neurali a grafi: inductive bias ed esempi di applicazioni in fisica

- Meccanismi di attenzione: transformers ed esempi di applicazioni in fisica

- Reti generative ed esempi di applicazioni in fisica

- Cenni a differentiable programming

DOCENTI E COMMISSIONI

Commissione d'esame

FRANCESCO ARMANDO DI BELLO (Presidente)

ANDREA COCCARO

RICCARDO TORRE (Supplente)

LEZIONI

INIZIO LEZIONI

Consultare il calendario al link: https://corsi.unige.it/corsi/9012/studenti-orario

Orari delle lezioni

L'orario di questo insegnamento è consultabile all'indirizzo: Portale EasyAcademy

ESAMI

MODALITA' D'ESAME

L'esame consiste in una parte scritta in cui verrà chiesto di svolgere un esercizio, ed una parte orale in cui si verificheranno le conoscenze degli studenti sul corso. 

MODALITA' DI ACCERTAMENTO

La commisione valuterà entrambe, l'elaborato scritto e la discussione orale. 

Calendario appelli