Modelli surrogati e apprendimento informato dalla fisica per sistemi complessi - 2026_IDR_DMAT_9

Il programma di ricerca ha l’obiettivo di sviluppare metodologie avanzate all’interfaccia tra Analisi Numerica e Machine Learning, con un’attenzione al physics-informed machine learning. L’obiettivo è progettare strategie di apprendimento che incorporino la struttura delle leggi fisiche che governano il sistema, consentendo inferenze robuste anche in presenza di dati scarsi o incerti. In questo contesto, il progetto esplorerà approcci di surrogate modeling per l’approssimazione rapida delle soluzioni di problemi differenziali complessi. Particolare attenzione sarà inoltre dedicata agli algoritmi di ottimizzazione necessari per l'addestramento di tali modelli di physics-informed machine learning e di surrogate modeling. Progetto finanziato dal Ministero dell’Università e della Ricerca nell’ambito dell’Avviso FIS 2, SYNERGIZE, codice FIS-2023-02228, CUP D53C24005440001.