> FocusUnimore > numero 52 – novembre 2024
‘From Physics to Machine Learning and back’
The Nobel Prize in Physics 2024 was awarded to John J. Hopfield and Geoffrey E. Hinton ‘for fundamental discoveries […] enabling machine learning with artificial neural networks’. This award celebrates the fundamental role that the concepts and models of Physics, formalised by the prize-winners, have played in the development of technologies that are today central both in everyday life and in scientific research activities. These new techniques are particularly present in the teaching and scientific activities of the physicists of Unimore’s Department of Physics, Informatics and Mathematics (FIM). The strategic line “Digital design of sustainable materials” was recently funded, aimed at integrating machine learning and high performance scientific computing for applications in materials science. Unimore physicists are engaged in research projects that make extensive use of these technologies, also as part of cutting-edge national and European initiatives. Maintaining leadership on these issues means first and foremost training new generations of physicists in the new approaches. The International Master’s Degree in Physics at Unimore offers specific courses on the application of machine learning to various fields of physics, from the design and analysis of new nano-materials to astrophysics, providing students with the tools to greatly speed up the solution of frontier problems, both in research and in industry.
Il Premio Nobel per la Fisica 2024 è stato conferito a John J. Hopfield e Geoffrey E. Hinton “per scoperte fondamentali […] che consentono il machine learning con reti neurali artificiali”. Questo riconoscimento celebra il ruolo fondamentale che i concetti e i modelli della Fisica, formalizzati dai vincitori del premio, hanno avuto nello sviluppo di tecnologie oggi centrali sia nella vita quotidiana sia nelle attività di ricerca scientifica, anche di Unimore.
La rivoluzione del machine learning permette ai computer di imparare a risolvere compiti complessi – come il riconoscimento di immagini, la traduzione linguistica e persino la conduzione di conversazioni – partendo da dati ed esempi, anziché tramite una sequenza di istruzioni precise fornite dal programmatore, introducendo di fatto il concetto di “esperienza” nella scienza degli algoritmi.
I due vincitori hanno utilizzato i metodi della fisica statistica per immaginare sistemi di intelligenza artificiale completamente nuovi. La scoperta di Hopfield della rete che ora prende il suo nome, nei primi anni ’80, ha permesso di comprendere come i nodi di una rete neurale possano essere usati per memorizzare informazioni e ricostruirle, anche quando incomplete o parzialmente distorte, un processo che ricorda il modo in cui il cervello recupera ricordi frammentati (memoria associativa). Le macchine di Boltzmann, ideate da Hinton negli anni ’80 utilizzando le leggi della meccanica statistica sviluppate da Ludwig Boltzmann nel XIX secolo, sono invece particolari reti artificiali dotate di un semplice algoritmo di apprendimento che permette loro di “scoprire” regolarità nei dati di addestramento.
Tutti noi utilizziamo il machine learning, anche inconsapevolmente, in contesti quotidiani, dagli assistenti vocali alle raccomandazioni sui contenuti online. Tuttavia, il suo impatto è profondo anche in tutti i campi della ricerca scientifica fondamentale, dove la capacità di analizzare grandi moli di dati e identificare pattern complessi si sta rivelando utilissima.
“Queste nuove tecniche sono particolarmente presenti nelle attività didattiche e scientifiche dei fisici del Dipartimento di Fisica, Informatica e Matematica (FIM) di Unimore” commenta la Prof.ssa Alice Ruini, docente del corso “Laboratory of Quantum Simulation of Materials” della LM in Physics (FIM). Con lungimiranza, l’Ateneo ha da poco finanziato la linea strategica Digital design of sustainable materials, finalizzata a integrare il machine learning e il calcolo scientifico ad alte prestazioni per applicazioni alla scienza dei materiali [FOCUS 37, giugno 2023], uno dei punti di eccellenza della fisica modenese.
“I fisici del nostro dipartimento sono impegnati in progetti di ricerca che usano estensivamente queste tecnologie anche nell’ambito di iniziative d’avanguardia nazionali ed europee”, aggiunge il Prof. Federico Grasselli, docente del corso “Machine Learning for Scientific Applications”, anch’esso offerto all’interno della LM in Physics. Tra questi progetti spiccano il Network europeo di dottorato Marie Sklodowska Curie “Machine learning for quantum” che integra il machine learning alle tecnologie quantistiche, il centro di eccellenza europeo “MAX – Material design at the exascale”, il Network europeo DAEMON “Data-driven applications towards the engineering of functional materials”, che combinano il machine learning alle scienze computazionali e alla scienza dei dati per disegnare materiali innovativi, e il progetto “Designing Solid-State Spin Qubits”, finanziato dal Fondo Italiano per la Scienza e coordinato dal Prof. Marco Govoni, che sfrutta il machine learning per progettare qubits, gli elementi alla base dei computer quantistici.
Mantenere la leadership su questi temi significa innanzitutto formare le nuove generazioni di fisici ai nuovi approcci. La Laurea Magistrale Internazionale Physics di Unimore offre corsi specifici sull’applicazione del machine learning a diversi settori della fisica, dal disegno e alla analisi di nuovi nano-materiali all’astrofisica, fornendo agli studenti gli strumenti per rendere enormemente più rapida la soluzione di problemi di frontiera, sia in ambito di ricerca sia in ambito industriale. La Fisica moderna, che ha fornito la base per la concettualizzazione del machine learning, viene ora aiutata da esso a risolvere efficacemente problemi completamente nuovi.