Quattro progetti del Politecnico finanziati dal Fondo Italiano per la Scienza

Il progetto AURIGA è curato da Giorgio Besagni, Professore associato del Dipartimento di Energia; grazie a un finanziamento di oltre 1.5M€ punta a sviluppare nuovi sistemi di assorbimento della CO₂.

AURIGA si propone di affrontare alcune delle principali sfide nella fluidodinamica dei fluidi bifase, un fenomeno intrinsecamente complesso e ancora poco compreso, con conseguenti importanti implicazioni nella progettazione e ottimizzazione dei reattori multifase. Il progetto svilupperà una teoria innovativa per interpretare le transizioni di regime nei flussi gas-liquido, con il supporto di indagini sperimentali su diverse scale, e applicherà questi principi alla progettazione di una nuova tecnologia basata su liquidi ionici per l’assorbimento della CO₂, di cui sarà valutato l'impatto a livello nazionale. Il sistema proposto, che combina colonne a bolle con liquidi ionici, mira a sostituire le tecnologie tradizionali con soluzioni più efficienti e sostenibili; questa tecnologia potrà, quindi, contribuire alla transizione verso un'economia a basse emissioni di carbonio.

Il progetto di Daniele Fiorito, ricercatore del Dipartimento di Chimica, Materiali e Ingegneria Chimica “Giulio Natta”, finanziato con oltre 1,3 milioni di euro, mira a trasformare il campo della sintesi organica attraverso la biocatalisi, ovvero l'impiego di enzimi come catalizzatori nelle reazioni chimiche.

Il progetto NESOC integra le tecniche più avanzate della biocatalisi con strategie di sintesi innovative per affrontare alcune delle sfide più complesse della chimica organica, tra cui la sostenibilità ambientale, la sicurezza dei processi, l’elevata efficienza e selettività, e l’applicabilità su scala industriale.

L’obiettivo di NESOC è sviluppare nuove reazioni biocatalitiche per la sintesi e la funzionalizzazione di composti organici del boro, un elemento chiave per la formazione di legami nelle molecole organiche. Il progetto punta a combinare la selettività e l'eco-compatibilità della biocatalisi con attività enzimatiche inesistenti in natura per la sintesi di composti organici del boro. Questo approccio consentirà di superare le attuali limitazioni della chimica del boro, introducendo nuove forme di reattività e riducendo l'impatto ambientale legato all'impiego di risorse non rinnovabili. I risultati di NESOC avranno ricadute significative in diversi settori, dalla chimica farmaceutica ai materiali avanzati, dalla biochimica degli enzimi ai processi industriali.

In un clima e una società in continua evoluzione, le infrastrutture idriche come le dighe possono giocare un ruolo fondamentale nel raggiungimento di diversi Obiettivi di Sviluppo Sostenibile (SDGs). Attualmente, oltre 58.000 grandi dighe controllano il 46% dei maggiori fiumi del mondo influenzandone le dinamiche.

Il progetto BERLIN, coordinato da Matteo Giuliani del Dipartimento di Elettronica, Informazione e Bioingegneria, utilizzerà modelli basati su dati e tecniche di Machine Learning per far progredire la comprensione e la modellazione di come il comportamento umano influenzi le dinamiche dei sistemi socio-ecologici complessi. Il progetto inoltre affronterà il tema della valutazione del rischio tramite un approccio a tre livelli (consapevolezza, percezione e adattamento al rischio), esplorando come il Social Learning possa supportare le politiche di adattamento al rischio.

Infine, BERLIN integrerà questi risultati in un modello idrologico globale che includerà una rappresentazione esplicita del comportamento degli operatori delle dighe, utile sia per l’analisi retrospettiva di eventi e comportamenti passati, sia per la produzione di proiezioni affidabili e credibili sull’evoluzione futura dei sistemi socio-ecologici.

Il progetto HUmLrn, coordinato da Alberto Maria Metelli, affronta il quesito: "Come possono gli agenti di intelligenza artificiale sfruttare al meglio la diversità del feedback umano per migliorare le proprie capacità?". Quando un essere umano è esperto in compiti specifici, il suo feedback rivela obiettivi impliciti che sta ottimizzando.

Le metodologie attuali si concentrano su un intervallo ristretto di feedback, spesso limitato alle dimostrazioni, o presuppongono la disponibilità di una ricompensa specificata, senza integrare altre forme di feedback, come le correzioni, né considerare la presenza di diversi tipi di feedback. Al contrario, gli esseri umani, nell'acquisizione di abilità, possono incorporare in modo flessibile diverse forme di feedback ed estrarne informazioni utili. L’intuizione suggerisce che la sinergia tra queste diverse forme di feedback possa migliorare significativamente i risultati di apprendimento e potenzialmente abilitare nuove capacità altrimenti irraggiungibili.

Il progetto mira a formalizzare questo paradigma innovativo all'interno di un nuovo framework, affrontando la sfida di integrare diverse forme di feedback in una metodologia unificata. Esplorerà le basi teoriche del problema, con particolare attenzione alle complessità statistiche, per poi progettare e sviluppare algoritmi di apprendimento innovativi ed efficienti. Infine, sarà condotta una valutazione sperimentale in un caso d’uso simulato di guida autonoma.