PRIN PNRR 2022 - Data-driven discovery and control of multi-scale interacting artificial agent systems

L'obiettivo principale del progetto consiste nello sviluppo di framework sostenibili e flessibili di nuova generazione per la modellazione data-driven, ottimizzazione e simulazione di sistemi di agenti interagenti su più scale di estrema importanza nelle applicazioni industriali e nella vita socio-economiche.  

Come obiettivo scientifico, studiamo diversi approcci che si basano su metodi matematici basati sull'apprendimento per costruire e controllare modelli fisici basati sui dati. La proposta è tempestiva poiché i metodi basati sull'apprendimento hanno recentemente attirato l'attenzione della comunità scientifica per sfruttare appieno l'hardware HPC e l'abbondanza di dati, richiedendo nuovi concetti unificanti per affrontare le grandi sfide. Per questo motivo, ci proponiamo di studiare questi metodi lungo tre direzioni principali organizzate in tre obiettivi principali:

• MO1: Metodi avanzati di calcolo e controllo per sistemi di agenti su più scale
• MO2: Metodi particellari intelligenti nell'apprendimento automatico e nei problemi inversi per dati di grandi dimensioni
• MO3: Intelligenza artificiale e modelli data-driven per fenomeni socio-economici.

In MO1 vengono studiati problemi di controllo ottimale per sistemi di agenti interagenti in un contesto multiscala. Per rompere la "maledizione della dimensionalità", sono state sviluppate strategie numeriche efficienti per la sintesi di controlli a retroazione basati su tecniche di apprendimento e impiegando algoritmi veloci-stocastici per la simulazione dello stato e delle dinamiche adiacenti. Le applicazioni dei metodi derivati sono studiate nel contesto dei sistemi di trasporto (UAV, traffico e flusso pedonale) per migliorare la mobilità e i protocolli di sicurezza.

Il MO2 è incentrato sulla derivazione di metodi di apprendimento e filtraggio basati su sistemi di agenti interagenti. Algoritmi innovativi basati su unità intelligenti in grado di cooperare per raggiungere un obiettivo comune sono sviluppati per l'identificazione di sistemi incerti e problemi di ottimizzazione globale, sistemi incerti e per problemi di ottimizzazione globale. Quindi, queste metodologie vengono utilizzate per ottenere un sostanziale miglioramento nella velocità della fase di addestramento di problemi di apprendimento automatico, come le reti neurali profonde.

Infine, i modelli guidati dai dati per applicazioni in ambito socio-economico e simulazioni veloci sono l'attività principale del MO3. Le reti neurali informate dalla fisica (PINN) vengono come sistema di intelligenza per la previsione robusta delle dinamiche sociali, con particolare attenzione alla formazione delle opinioni nei social media, alle disuguaglianze di ricchezza e alla media e l'emergere di malattie infettive. Contemporaneamente, si studia il miglioramento dell'HPC in termini di consumo energetico, modellando le interazioni tra i processori consumo energetico viene studiato con dati provenienti da supercomputer reali. In entrambe le direzioni, le metodologie di MO1 e MO2, così come le tecniche di riduzione dei modelli, saranno di fondamentale importanza per migliorare la fase di addestramento delle PINN e le prestazioni delle architetture HPC.

Questo progetto è in  collaborazione con  l'Università di Ferrara,  l'Università de La Sapienza, Roma e  l'Università Ca' Foscari, Venezia.