AI generativa per traiettorie di particelle in turbolenza: studio innovativo di Roma Tor Vergata nel campo della Fisica dei Sistemi Complessi

AI generativa per traiettorie di particelle in turbolenza: studio innovativo di Roma Tor Vergata nel campo della Fisica dei Sistemi Complessi

La prestigiosa rivista Nature Machine Intelligenceha pubblicato una ricerca innovativa ideata e realizzata da ricercatori del dipartimento di Fisica dell'università di Roma Tor Vergata, inserendola in copertina per il numero di aprile 2024.

Il team diretto da Luca Biferale, professore ordinario di Fisica teorica, ha sviluppato un modello generativo utilizzando tecniche avanzate di Intelligenza Artificiale basate su algoritmi di diffusione (data-driven diffusion model) in grado di generare traiettorie sintetiche di particelle in flussi turbolenti. Questo modello riproduce accuratamente le complesse proprietà geometriche delle traiettorie delle particelle nei flussi caotici, riflettendo la natura impredicibile della dinamica turbolenta.

A essere in primo piano è la turbolenza Lagrangiana, al centro di numerosi problemi applicati e fondamentali legati alla dispersione caotica in ingegneria, biofluidica, 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.

"Tra i campi applicativi che possono beneficiare del metodo descritto nel nostro lavoro - sottolinea Michele Buzzicotti ricercatore del dipartimento di Fisicae componente del team che ha portato all'importante scoperta - ci sono tutti quelli in cui è importante avere una modellizzazione statistica accurata del trasporto di particelle in flussi turbolenti come nelle scienze ambientali, in particolare riguardo a problematiche connesse alla meteorologia e climatologia, quali la diffusione di inquinanti in atmosfera e la dinamica di sonde galleggianti nell'oceano".

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 - aggiunge Biferale - di un progetto di lungo termine che vede il nostro gruppo, formato da validissimi giovani ricercatori di varie nazionalità, impegnato su problemi avanzati alla frontiera tra l'Intelligenza Artificiale e la Fisica Teorica, finanziati a livello europeo dall'European Research Council e nazionale dal Ministero dell'Università e della Ricerca. Abbiamo dimostrato - conclude Biferale - come queste nuove tecniche basate sui dati siano capaci di andare oltre la generazione di testi o immagini 'sintetiche' 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".