- Il machine learning (ML) e il deep learning (DL) hanno trasformato il metodo scientifico tradizionale, che era principalmente teorico e sperimentale, verso un approccio data-driven. Questa evoluzione è stata favorita dalla maggiore disponibilità di dati, riduzione dei costi di calcolo e storage, e maggiori investimenti nella ricerca.
- Le PINN sono reti neurali che integrano le equazioni differenziali che descrivono un sistema fisico nel calcolo delle perdite (loss) durante la fase di apprendimento. Questo approccio permette alle reti neurali di acquisire una “conoscenza” scientifica del problema, migliorando notevolmente la precisione delle predizioni rispetto ai modelli esclusivamente data-driven.
- Le PINN sono utili in ambiti scientifici dove i dati sperimentali sono limitati o non etichettati. Originariamente applicate nella fluidodinamica computazionale, ora trovano utilizzo in biomedicina, dinamica molecolare, scoperta di nuovi materiali e nel settore dell’energia. Questi casi d’uso dimostrano la validità delle PINN nel risolvere problemi complessi combinando dati e principi fisici.
reti neurali
Physics-Informed Neural Network: PINN cosa sono e in quale contesto si applicano
Machine Learning e Deep Learning sono ormai largamente utilizzati in diversi ambiti, incluso quello scientifico. Ma, con riferimento a quest’ultimo, possiamo essere sicuri che un algoritmo sia in grado di “comprendere” i problemi scientifici che esso dovrebbe essere in grado di risolvere? Spieghiamo cosa sono le cosiddette PINN e perché sono indicate più di altre…
Pubblicato il 29 nov 2022
Guglielmo Iozzia
Associate Director – ML/AI/Computer Vision presso MSD
