Ricercatore 29enne dell’Istituto nazionale di astrofisica, Nicolò Parmiggiani è tra i sei vincitori della prima edizione del Premio nazionale per la ricerca sui big data
Non ha ancora trent’anni, Nicolò Parmiggiani, il ricercatore dell’Inaf Oas di Bologna che insegna agli algoritmi come imparare ad analizzare da soli i segnali provenienti dall’universo visto ai raggi gamma. E che questa mattina è salito sul palco del Web Marketing Festival (Wmf) 2021, il più grande Festival sull’innovazione digitale e sociale, al Palacongressi di Rimini, per ricevere uno dei sei assegni destinati ad altrettanti vincitori della prima edizione del Premio nazionale per la ricerca sui big data e l’intelligenza artificiale indetto da Wmf e da Ifab, l’International Foundation Big Data and Artificial Intelligence for Human Development.
Una giuria di esperti formata da membri selezionati di Ifab, insieme al team del Wmf, ha selezionato i progetti migliori fra quelli candidati dagli enti di ricerca afferenti all’Associazione Big Data per le attività di ricerca e sviluppo. Sei in tutto, dicevamo, le ricercatrici e i ricercatori premiati. A loro sono andati, complessivamente, assegni per 13500 euro: uno da mille euro e cinque da 2500 euro. Fra questi ultimi, quello vinto da Parmiggiani per i suoi studi sulle tecnologie di deep learning da applicare all’astrofisica gamma, e in particolare al riconoscimento automatico dei gamma ray burst – i Grb, o lampi di raggi gamma – rilevati dallo strumento Grid del satellite Agile – un piccolo telescopio spaziale interamente italiano in attività da oltre 14 anni.
«Questo premio è una grande soddisfazione e mi incoraggia a continuare le ricerche per utilizzare efficacemente le tecnologie di intelligenza artificiale per l’analisi dei dati dell’astrofisica gamma», dice Parmiggiani a Media Inaf. «I risultati di questa ricerca sono stati ottenuti all’interno della collaborazione Agile, e per questa opportunità vorrei ringraziare Andrea Bulgarelli, il mio responsabile scientifico, e Marco Tavani, principal investigator della missione Agile [e attuale presidente dell’Inaf, ndr]. Poiché ho svolto questa attività durante il dottorato di ricerca in computer science che ho conseguito presso l’Università di Modena e Reggio Emilia, ringrazio anche il professor Domenico Beneventano per il prezioso supporto».
Nato a Guastalla, in provincia di Reggio Emilia, 29 anni fa, all’Inaf di Bologna Parmiggiani è impegnato nello sviluppo di tecniche di intelligenza artificiale per l’analisi dei dati di astrofisica gamma. I risultati da lui ottenuti con tecniche di deep learning – di apprendimento automatico, appunto – sono migliori rispetto alle tecniche precedenti e incrementano la capacità del satellite Agile di individuare i Grb. Il metodo da lui sviluppato ha dimostrato la capacità di identificare segnali estremamente deboli in un contesto di bassa statistica e alto rumore di fondo, e può essere riutilizzato in altri contesti che presentino problemi analoghi. Non si tratta solo di uno studio teorico: i suoi algoritmi sono già in corso di implementazione all’interno del software di analisi automatica dei dati di Agile per la rilevazione dei Grb, e gli ottimi risultati ottenuti li rendono appetibili anche per altri telescopi simili. Primi fra tutti, i grandi osservatori da terra attualmente in costruzione, come il Cherenkov Telescope Array o il mini-array Astri, destinati a produrre terabyte di dati da analizzare offline ma anche in tempo reale.
«La rapidità con la quale si possono ottenere risultati è molto importante per poter prendere decisioni in merito al ripuntamento dei telescopi verso regioni di cielo di interesse e per rispondere alla comunicazione di eventi transienti da parte di altri progetti», dice Parmiggiani. «Le tecniche di deep learning unite alla potenza di calcolo delle Gpu possono essere utilizzate per analizzare velocemente, dopo la fase di training, i big data prodotti da questi progetti. Una caratteristica che rappresenta un importante punto di forza di queste tecnologie per l’applicazione in ambito astrofisico, dove la crescente mole di dati prodotti dai progetti di nuova generazione richiede l’utilizzo di tecniche di analisi sempre più evolute, performanti e resilienti ai cambiamenti delle condizioni operative degli strumenti».
Per saperne di più:
- Leggi su The Astrophysical Journal l’articolo “A Deep Learning Method for AGILE-GRID GRB Detection”, di N. Parmiggiani, A. Bulgarelli, V. Fioretti, A. Di Piano, A. Giuliani, F. Longo, F. Verrecchia, M. Tavani, D. Beneventano e A. Macaluso.