Corso di laurea

fisica dei sistemi complessi

Università degli Studi di Torino · 61 materie · 3 file condivisi

La laurea magistrale in Fisica dei sistemi complessi fornisce una preparazione specialistica rivolta allo studio e alla modellizzazione di sistemi e fenomeni complessi naturali e antropici, in particolare nell'ambito della fisica dei fluidi (turbolenza e dispersione), dell'econofisica , della bioinformatica e neurofisica, e della computazione e informazione quantistica. Lo studio dei sistemi complessi richiede
un approccio interdisciplinare, ed e' sulla frontiera tra varie discipline che si collocano gli indirizzi didattici del corso, coinvolgendo oltre alla fisica competenze di matematica, informatica, biologia e scienze economiche e sociali.

L'indagine di Alma Laurea 2017 (interviste svolte nel 2016), rivela che il 42,1% lavora, il 31,6% e' inserito in un ulteriore corso universitario (dottorato, master). Il tempo medio dalla laurea al primo impiego e' di 2.8 mesi. Il 78% degli intervistati si dichiara soddisfatto del suo impiego. L'efficacia della laurea per il lavoro svolto viene ritenuta molto importante dal 71% degli intervistati (contro il precedente 33.3%).

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

MECCANICA STATISTICA 1° anno · 6 CFU · PHYS-02/A · 1 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P856103445

MECCANICA STATISTICA B 1° anno · 6 CFU · PHYS-02/A · 0 file

Fornire alle studentesse e agli studenti i concetti base della meccanica statistica e delle sue applicazioni Conoscenza concetti fondamentali della meccanica statistica classica e quantistica. Capacità analitiche nel…

Scheda dell'insegnamento

Obiettivi formativi

Fornire alle studentesse e agli studenti i concetti base della meccanica statistica e delle sue applicazioni
Conoscenza concetti fondamentali della meccanica statistica classica e quantistica. Capacità analitiche nel risolvere i problemi individuando i punti salienti e applicando consapevolmente le conoscenze acquisite.

Programma

Nell'insegnamento vengono studiate le basi statistiche della termodinamica, discutendo in particolare l'approccio all'equilibrio, la teoria degli insiemi statistici e le transizioni di fase. Come applicazioni, verranno studiati vari sistemi statistici, in particolare i gas ideali, i sistemi magnetici.

Programma di Meccanica Statistica B (a.a. 2026/2027)

  • Introduzione e richiami di termodinamica.
  • Meccanica statistica classica: gli ensembles di Gibbs.
  • L'ensemble microcanonico:
  • Collegamento con la termodinamica. Formula dell'entropia.
  • Esempi e applicazioni dell'ensemble microcanonico.
  • Paradosso di Gibbs e sua risoluzione.
  • L'ensemble canonico:
  • Funzione di partizione ed energia libera di Helmoltz.
  • Esempi ed applicazioni dell'ensemble canonico.
  • Teorema di Nernst.
  • L'ensemble gran-canonico:
  • La funzione di partizione gran-canonica.
  • Esempi ed applicazioni dell'ensemble gran-canonico.
  • Introduzione alla meccanica statistica quantistica.
  • La matrice densità.
  • Esempi ed applicazioni per sistemi ad una particella.
  • La matrice densità dell'oscillatore armonico.
  • Sistemi di particelle identiche: Statistica di Bose-Einstein e di Fermi-Dirac.
  • La matrice densità per N particelle libere.
  • I gas ideali quantistici.
  • Il gas ideale di Bose:
  • Proprietà generali.
  • Limiti di alte e basse temperature.
  • Condensazione di Bose-Einstein: esempi e applicazioni.
  • Il gas ideale di Fermi:
  • Proprietà generali.
  • Energia di Fermi.
  • Limiti di alte e basse temperature.
  • Il gas di fononi: teorie di Einstein e di Debye per il calore specifico dei solidi.
  • Il diamagnetismo di Landau e livelli di Landau.
  • Introduzione alle transizioni di fase:
  • Descrizione termodinamica delle transizioni di fase e loro classificazione.
  • Regola di Gibbs.
  • Introduzione alla teoria di Lee-Yang per le transizioni di fase:
  • Teoremi di Lee-Yang;
  • Singolarità della funzione di partizione; esempi ed applicazioni.
  • Introduzione al modello di Ising:
  • Il modello di Ising in d=1.
  • Il modello di Ising in d=2:
  • Sviluppo ad alte temperature e basse temperature
  • Dualità di Kramers-Wannier e punto critico.
  • La teoria del campo medio applicata al modello di Ising
  • Potenziale di Landau
  • Indici critici
  • Introduzione ai vetri di spin (modello di Sherrington e Kirkpatrick) e al meccanismo della rottura della simmetrica delle repliche; calcolo della funzione di partizione e calcolo dell'entropia.
  • Commenti conclusivi.

Modalità d'esame

L'esame dell'insegnamento si svolgerà in forma orale; le domande riguarderanno i principali argomenti trattati a lezione con i relativi calcoli e dimostrazioni. Un esame tipico consiste in tre domande (di cui una può essere a scelta) e dura circa 50/60 minuti.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

  • K. Huang, Meccanica Statistica, Zanichelli;
  • L.E. Reichl, A modern course in Statistical Physics, Univ. of Texas Press.

Codice insegnamento P739653788

METODI DI OSSERVAZIONE E MISURA; ELEMENTI DI STATISTICA NON LINEARE 1° anno · 1 file
PROCESSI STOCASTICI PER LA FISICA 1° anno · 6 CFU · PHYS-05/B · 0 file

L'obiettivo del corso è di fornire un'introduzione alla teoria dei processi stocastici, con particolare attenzione ai processi di tipo diffusivo. Conoscenza e capacità di comprensione: Acquisizione di una solida…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è di fornire un'introduzione alla teoria dei processi stocastici, con particolare attenzione ai processi di tipo diffusivo.
Conoscenza e capacità di comprensione: Acquisizione di una solida preparazione di base per lo studio dei processi stocastici con applicazione ai sistemi fisici.

Capacità di applicare conoscenza e comprensione: Capacità di realizzare modelli della realtà fisica basati sulla teoria dei processi stocastici e di comprendere teorie fisiche e matematiche basate su modelli stocastici.

Programma

1) Introduzione ai processi stocastici, moto Browniano, diffusione.

2) Introduzione alla teoria della probabilita`, teorema di Bayes, variabili casuali, momenti e funzioni caratteristiche.

3) Random walk, distribuzione binomiale, teorema del limite centrale, teoria delle grandi deviazioni, superdiffusione.

4) Processo di Wiener, integrali sui cammini

5) Processi di Markov continui, equazione di Fokker-Planck, equazioni differenziali stocastiche, regolarizzazione di Ito e Stratonovich, equazione di Kolmogorow backward.

6) Moto Browniano geometrico, crescita Malthusiana e probabilita` di estinzione.

7) La buca di potenziale, potenziali confinati ed equilibrio, processi di Ornstein-Uhlenbeck, soluzione Fokker-Planck con il metodo delle caratteristiche.

8) Problemi di prima uscita per processi diffusivi, probabilita` di uscita, tempo medio di uscita, distribuzione dei tempi di uscita, problemi di prima uscita per processi di Markov continui.

9) Doppia buca di potenziale, tempo medio di uscita, formula di Kramers, distribuzione dei tempi di uscita.

10) Risonanza stocastica.

Modalità d'esame

La verifica dell'apprendimento avviene mediante un esame orale che viene svolto alla lavagna con due domande su parti diverse del programma svolto durante le lezioni.

La durata indicativa dell'esame è compresa fra 30 e 60 minuti.

Il criterio di valutazione è basato sulla capacità di dimostrare la comprensione dei concetti appresi e di essere in grado di esporli con in modo autonomo e corretto.

La scala di valutazione è in trentesimi.

Testi di riferimento

Gardiner C.W. (1990) Handbook of Stochastic Methods, Springer-Verlag

Papoulis A. (1991) Probability, Random Variables and Stochastic Processes, Third edition, McGraw-Hill International

The Fokker-Planck Equation: Methods of Solutions and Applications, Hannes Risken, Till Frank, Springer 1996

G. Boffetta, A. Vulpiani, La probabilità in fisica, un'introduzione, Springer-Verlag, Italia, 2012

Codice insegnamento P903737715

SISTEMI DINAMICI 1° anno · 7 CFU · PHYS-06/A · 1 file

L'obiettivo del corso è di dare una introduzione alla moderna teoria dei sistemi dinamici e di fornire gli strumenti di base per lo studio di sistemi caotici. Indicatori di Dublino Conoscenza e comprensione Il corso sarà…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo del corso è di dare una introduzione alla moderna teoria dei sistemi dinamici e di fornire gli strumenti di base per lo studio di sistemi caotici.

Indicatori di Dublino

Conoscenza e comprensione

Il corso sarà rivolto alla introduzione dei concetti di stabilità, dei metodi di analisi di stabilità lineare e non, della teoria delle biforcazioni e della definizione di sistema caotico. Studenti devono impadronirsi delle tecniche analitiche e numeriche per lo studio dei sistemi dinamici.

Capacità di applicare conoscenza e comprensione

Studenti applicheranno le tecniche del corso allo studio e caratterizzazione di sistemi dinamici caotici, con il calcolo di quantità quali l'esponente di Lyapunov, dimensioni dell'attrattore ed entropia generata dalla dinamica.
Conoscenze di base della teoria dei sistemi dinamici.

Programma

Mappe unidimensionali. Bernouilli shift e mappa Logistica.
Misura invariante. Singolarita' e punti critici. Misura ergodica.
Esponenti di Lyapunov per mappe.
Esponenti di Lyapunov per sistemi continui.
Dimensioni frattali e dimensione di Lyapunov.
Entropia metrica ed entropia topologica.
Sistemi Hamiltoniani integrabili.
Sistemi quasi integrabili: teoria KAM.
Transizione alla stocasticita': overlap delle risonanze.
Scenari di transizione al caos (Ruelle e Takens, Feigenbaum, Pomeau e Manville).
Caratterizzazione di serie temporali complesse
Metodo a scale multiple e sua applicazione al pendolo di Kapitza.

Modalità d'esame

Esame scritto (3 esercizi, durata 2 ore) in date previste nel calendario esami + esame orale (alcune domande) in data da concordare col docente per email. La valutazione e' in base 30 punti. La stessa modalità si applica a studenti internazionali o a coloro che non frequentano.

Testi di riferimento

Edward Ott: "Chaos in dynamical systems", Cambridge University Press

Massimo Cencini, Fabio Cecconi, Angelo Vulpiani: "Chaos: From Simple Models to Complex Systems", World Scientific

Angelo Vulpiani: "Determinismo e caos", Carocci

Codice insegnamento P149239715

Preparazione Tesi 2° anno · 22 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0391

Prova Finale 2° anno · 24 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0392

ALGORITMI NUMERICI PER LA FISICA 6 CFU · PHYS-01/A · 0 file

The aim of the course is to introduce students to the use of numerical algorithms for solving scientific problems encountered in their studies. The implementation of various algorithms will be discussed using physics…

Scheda dell'insegnamento

Obiettivi formativi

The aim of the course is to introduce students to the use of numerical algorithms for solving scientific problems encountered in their studies. The implementation of various algorithms will be discussed using physics problems covered in previous courses.
The student learns, by means of a programming language (typically C++, but also C or Fortran as an alternative), to compile codes for the resolution fo scientific problems.

Programma

The course provides fundamental techniques for solving scientific problems of various kinds.In particular, standard numerical techniques are illustrated throghout the following chapters:

  • Introduction: brief review of C ++ (functions, preprocessor), Linux shell (basic commands and compilation from terminal);
  • Arithmetic precision: floating point representation, single & double precision variables, machine precision. Uncertainty, accuracy and stability of algorithms.
  • Computation of definite integrals (numerical quadrature): Euler method, of the trapezoid. Simpson's rule. Gaussian quadrature. Hints of calculation in several dimensions.
  • Random numbers and Monte Carlo methods (brief outline);
  • Search for zeros of functions (nonlinear): bisection method, Newton-Raphson method, secant method and False Position. Convergence.
  • Numerical differentiation.
  • Numerical solution of ordinary differential equations (ODE, initial value problems): Euler method and second and fourth order Runge-Kutta methods. Symplectic methods. Convergence. Conservation of energy and reversibility of motion. Implicit methods (hints)
  • Numerical solution of ordinary differential equations ordering (boundary problems): "shooting" method, residual and matching point. Applications to the quantum harmonic oscillator.
  • Inversion of linear systems: review of multidimensional arrays. Gaussian Elimination. Solver for tridiagonal matrices. Problems.
  • Numerical solution of partial differential equations (the elliptical case): methods of Jacobi, Gauss and Successive Over-Relaxation (SOR) method.

Modalità d'esame

The course does not include an oral exam.

During the lessons, several practical sessions are held to help students understand the algorithms presented and how to implement them.

Additionally, during class hours, in-class assignments or practical tests are given, in which students are asked to solve a physics problem using the methods covered in the course. The results of these tests contribute to the determination of a base grade.

At the end of the course, students have the option to submit an additional project (about ten pages long), in which a physics problem is addressed using numerical methods studied during the course. The evaluation of this project can help improve the base grade.

Testi di riferimento

Different English textbooks are suggested

W.H. Press, S.A. Teukolsky, W. Vetterling and B. Flannery. Numerical Recipes in C (o Fortran). Cambridge University Press.

Donald B. KNUTH. "the Art of Computational Programming" Addison Wesley Ed.

Foley, van Dam, Feiner and Hughes.Computer Graphics (C o Pascal), Addison Wesely Ed.

Codice insegnamento P960059222

Advanced Machine Learning 6 CFU · PHYS-06/A · 0 file

L'insegnamento ha lo scopo di introdurre e appofondire algoritmi e modelli di apprendimento automatico (Machine Learning) per applicazioni interdisciplinari. Ci si aspetta che lo studente sia già in possesso di…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha lo scopo di introdurre e appofondire algoritmi e modelli di apprendimento automatico (Machine Learning) per applicazioni interdisciplinari. Ci si aspetta che lo studente sia già in possesso di conoscenze di base di python e machine learning come quelle fornite dal corso di Data Mining.

L'insegnamento si prefigge di fornire allo studente la capacità di utilizzare e sviluppare strumenti di machine-learning per l'analisi dei dati, con particolare riferimento ai modelli predittivi. Le lezioni teoriche si alterneranno ad esempi di codice.
Compresione dei fondamenti teorici deli modelli di machine learning presentati e essere in grado di svilupparne dei nuovi.

Programma

  • Ripasso sul machine learning: relazione tra machine learning e statistical learning, tipi di apprendimento: supervised, unsupervised, reinforcement learning, collaborative filtering.
  • Introduzione alle Neural Networks: feedforward, convolutional, recurrent, attention layers, transformers
  • Graph neural networks
  • ODE-NN e Neural operators.
  • Modelloi generativi: Autoencoders, VAE, GAN, Diffusion models e Flow matching.
  • introduzione agli alberi di classificazione e regressione, ensemble learning (bagging and boosting)
  • Survival analysis introduttiva in machine learning.
  • Basi di interpretable explainable AI: local/global methods, intrisically interpretable, agnostic methods (DPD, ICE, ALE, LIME, SHAP)
  • Introduzione alla Conformal Prediction: dalla predizione puntuale alla predizione di intervalli.
  • introduzione al Deep Reinforcement Learning
  • Se il tempo lo permette verrà trattato un argomento tra quelli elenecati in relazione agli interessi degli studenti:
  • Federated Learning
  • introduzione ai modelli probabilistici e relativo apprendimento: Markov models, hidden Markov models, maximum entropy models, conditional random fields. Graphical models come framework unificante.
  • Elements of Quantum Machine Learning
  • Elements of biological-inspired computations for optimization: genetic algorithms, ant colony optimization

Modalità d'esame

Durante il corso, verranno svolte discussioni alla lavagna, assegnazione di semplici progetti di programmazione.

Esame: l'esame è orale e consiste in una presentazione e domande sugli argomenti del corso. La studentessa/ lo studente dovrà scegliere un progetto di machine learning, spiegarne la parte teorica e il codice allegato. Dopo la presentazione vi saranno domande generali sul corso. La durata dell'esame è circa 40-60 minuti.

Testi di riferimento

  • Simon J.D. Prince. Understanding Deep Learning. The MIT Press 2023 (newer version https://udlbook.github.io/udlbook/)
  • C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.
  • Vasilev Ivan, Advanced Deep Learning with Python: Design and implement advanced next-generation AI solutions using TensorFlow and PyTorch, Packt Publishing (12 dicembre 2019)
  • K.P. Machine Learning. A Probabilistic Perspective. MIT Press, 2012.
  • T. Hastie, R. Tibshirani, and J. Friedman. The Elements of Statistical Learning. Data Mining, Inference, and Prediction. 2nd edition. Springer, 2009.
  • I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.
    R.S. Sutton and A.G. Barto. Reinforcement Learnin. An Introduction. MIT Press, 2017.
  • Andrew NG. Machine Learning Yearning: Technical Strategy for AI Engineers, In the Era of Deep Learning. deeplearning.ai, 2018
  • Christoph Molnar, Interpretable Machine Learning, ‎ Independently published (28 febbraio 2022)
  • D. Simon. EVOLUTIONARY OPTIMIZATION ALGORITHMS. John Wiley & Sons, 2013.
  • Plaat A. Deep Reinforcement Learning, pringer Verlag, Singapore; 1st ed. 2022
  • Maria Schuld e Francesco Petruccione, Machine Learning with Quantum Computers, Springer Nature; 2° edizione (18 ottobre 2021)

Codice insegnamento FIS0256

Analisi E Visualizzazioni Di Reti Complesse 9 CFU · INFO-01/A · 0 file

Lo scopo del corso è triplice. In primo luogo, studentesse e studenti impareranno i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è triplice. In primo luogo, studentesse e studenti impareranno i principi fondamentali della scienza delle reti (NS), incluse le tecniche di analisi delle reti complesse, i modelli di base per studiare le dinamiche di rete (es., contagio sociale, fenomeni virali, diffusione di epidemie, etc.). In secondo luogo, impareranno ad analizzare insiemi di dati rappresentabili sotto forma di reti, tramite lo studio computazionale della struttura del grafo e dei processi dinamici che su di esso si manifestano.
Infine, verranno spiegati loro i principi fondamentali della visualizzazione delle informazioni e come in particolare gestire l'analisi visuale di informazione complessa rappresentabile sotto forma di grafo e non solo.

Questo insegnamento concorre agli obiettivi formativi dell'ambito delle reti e e dei sistemi informatici, oltre che in quelli dei sistemi per il trattamento dell'informazione del Corso di Laurea Magistrale in Informatica.
CONOSCENZA E CAPACITÀ DI COMPRENSIONE: Le studentesse e gli studenti approfondiranno la loro conoscenza di algoritmi e strutture dati di base per l'analisi di reti complesse e per la rappresentazione visuale di informazione scientifica e complessa.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE: Gli studenti e le studentesse saranno in grado di analizzare dati, anche con processi di tipo visuale, presentati sotto forma di una rete, usando strumenti di pubblico domini.

AUTONOMIA DI GIUDIZIO: Le studentesse e gli studenti saranno in grado di esprimere in maniera autonoma una valutazione sulle tecniche più idonee per risolvere un generico problema di scienza delle reti e di visualizzazione di informazione complessa.

ABILITÀ COMUNICATIVE: Gli studenti e le studentesse impareranno a comunicare ed a giustificare l’uso delle tecniche più appropriate per la soluzione di un dato problema di scienza delle reti e di visualizzazione dell'informazione.

CAPACITÀ DI APPRENDIMENTO: Le studentesse e gli studenti saranno in grado di apprendere in modo autonomo come raffinare le tecniche di base che impareranno durante il corso e a come usare al meglio gli strumenti disponibili.

Programma

Reti Complesse e "Analisi di rete"

  • Introduzione alle reti complesse
  • Ripasso su teoria dei grafi
  • Legami forti e deboli
  • Omofilia
  • Analisi di reti complesse con Python
  • Centralità, Robustezza, Partizionamento di Grafi
  • Modelli di rete, Grafi Casuali, Reti Small World
  • Modelli a collegamento preferenziale
  • Comunità
  • Reti dirette e pesate
  • La struttura del Web
  • Analisi dei collegamenti, ricerca sul Web
  • Cascate di Informazioni
  • Comportamento a cascata in reti
  • Effetti di rete
  • Leggi di potenza e fenomeni Rich-Get-Richer
  • Piccoli mondi e ricerca
  • Epidemie e diffusione di epidemie in reti eterogenee
  • Introduzione ai grafi temporali e agli ipergrafi
  • Apprendimento automatico su grafi

Visualizzazione dell'informazione

  • Grafici e plot di base, visualizzazione di dati multivariati
  • Principi di percezione, colore, progettazione e valutazione
  • Visualizzazione testuale
  • Interattività e animazione
  • Visualizzazione di dati temporali
  • Visualizzazione di dati geospaziali
  • Visualizzazione di dati gerarchici
  • Visualizzazione di dati di rete

Modalità d'esame

L'esame è composto di tre parti:

  • Progetto I (30%): progetto di data visualization a partire da un dataset e secondo le istruzioni indicate su Moodle
  • Progetto II (20%): progetto su un'analisi di dati rappresentati in forma di rete secondo le istruzioni indicate su Moodle.
  • Esame orale (50%): sulla parte teorica e sulla discussione del Progetto I (parte analisi di rete) e del Progetto II (parte visualizzazione dati)

Per ognuna delle prove di cui sopra si esprimerà una valutazione in trentesimi. La singola prova si intende superata se si ottiene un punteggio superiore oppure uguale a 18/30. Il voto finale sarà calcolato dai punteggi ottenuti nelle singole prove tramite una media pesata secondo le percentuali mostrate sopra.

Testi di riferimento

  • Albert-László Barabási, Network Science, Cambridge University Press
  • Mark Newman, Networks, Oxford University Press
  • Alain Barrat, Mark Barthélemy, and Alessandro Vespignani Dynamical Processes on Complex Networks, Cambridige
  • Dmitry Zinoviev, Complex Network Analysis in Python, Recognize → Construct → Visualize → Analyze → Interpret, The Pragmatic Bookshelf
  • Edward R. Tufte, The Visual Display of Quantitative Information, Graphics Press, 2013
  • Stephen Few, Now You See It, Analytics Press, 2009
  • Isabel Mairelles, Design for Information, Rockport, 2013
  • Nathan Yau, Visualize This: The Flowing Data Guide to Design, Visualization, and Statistics, Wiley, 2011
  • Scott Murray, Interactive Data Visualization for the Web: An Introduction to Designing with D3, O’Reilly, 2013
  • William L. Hamilton, Graph Representation Learning. Morgan & Claypool Publishers, 2020

Codice insegnamento FIS0127

Asset Pricing And Portfolio Choice 9 CFU · ECON-01/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0745

Biofisica Statistica 6 CFU · MATH-04/A · 0 file

L'insegnamento si propone di introdurre gli studenti ad alcune applicazioni di idee e modelli della fisica statistica a fenomeni biologici. L'accento è posto sui fenomeni cooperativi, sia all'equilibrio termico che fuori…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si propone di introdurre gli studenti ad alcune applicazioni di idee e modelli della fisica statistica a fenomeni biologici. L'accento è posto sui fenomeni cooperativi, sia all'equilibrio termico che fuori di esso, nei polimeri e nei biopolimeri, che vengono modellizzati come sistemi interagenti con molti gradi di libertà.
Al termine dell'insegnamento, ci si aspetta che lo/a studente/essa:

(Conoscenza e comprensione)

(a) conosca gli elementi basilari della biologia molecolare e i risultati degli esperimenti di biofisica discussi nell'insegnamento;

(b) conosca le definizioni e le proprietà dei modelli di sistemi biologici discussi nell'insegnamento e ne comprenda il significato biologico e il dominio di applicazione;

(Capacità di applicare conoscenza e comprensione)

(c) sia in grado di risolvere questi modelli, in modo esatto o approssimato, calcolare delle osservabili e confrontarle con i risultati degli esperimenti di biofisica rilevanti.

Programma

Introduzione alla biologia molecolare: la cellula, piccole molecole, proteine e acidi nucleici.
Tiraggio di una singola molecola di DNA: esperimenti, la catena Freely Jointed, la catena unidimensionale cooperativa, la catena worm-like.
Denaturazione termica del DNA: esperimenti, modello zipper, modello di Poland-Scheraga.
La transizione elica-coil.
Collasso dei polimeri: teoria di Flory.
Collasso dei polimeri semiflessibili: modelli reticolari e il modello a tubo.
Cammino autoevitante e modello O(n).
Introduzione al folding e al design delle proteine.
Folding dell'RNA e struttura secondaria.
Unfolding meccanico di proteine e RNA.
Motori molecolari.
Fisica delle regolazione genica.
Membrane a doppio strato autoassemblanti.

Modalità d'esame

Esame orale. La prova tipicamente consiste di domande su 2-3 argomenti, il primo dei quali è scelto dello studente. La durata è tipicamente dell'ordine dei 40 minuti. La scala di valutazione è in trentesimi.

Per chi non frequenta e per chi è in mobilità internazionale valgono le stesse modalità di verifica dell'apprendimento sopra esplicitate.

Testi di riferimento

K. Sneppen and G. Zocchi, Physics in molecular biology, Cambridge
P. Nelson, Biological Physics, Freeman
B. Alberts et al, Molecular biology of the cell, Garland

Slides e appunti del docente vengono messi a disposizione degli studenti.

Codice insegnamento INT0743

Biologia E Biologia Molecolare 6 CFU · BIOS-08/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0366

COMPLEMENTI DI MECCANICA QUANTISTICA 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P519764599

COMPLEMENTI DI METODI MATEMATICI PER LA FISICA 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P344033537

COMPLEMENTI DI STRUTTURA DELLA MATERIA 6 CFU · FIS/03 · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P808904621

Climate System Dynamics And Modelling 6 CFU · PHYS-05/B · 0 file

L'insegnamento ha l'obiettivo di trasmettere alle studentesse e agli studenti le nozioni fondamentali sul funzionamento del clima come sistema dinamico, non-lineare e complesso, discutendo i principali meccanismi…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento ha l'obiettivo di trasmettere alle studentesse e agli studenti le nozioni fondamentali sul funzionamento del clima come sistema dinamico, non-lineare e complesso, discutendo i principali meccanismi fisici che determinano la variabilità climatica alle diverse scale e i cambiamenti climatici indotti da fattori esterni, siano essi naturali o antropici.

Si intende inoltre fornire una panoramica degli strumenti modellistici oggi in uso per comprendere e descrivere il clima e la sua complessità, ed effettuare proiezioni climatiche future, a partire dai modelli semplici e concettuali (come i modelli a bilancio di energia) fino a quelli globali del sistema Terra, con cenni ai modelli del futuro, i così detti "gemelli digitali". Ci si prefigge anche di fornire gli strumenti per realizzare in autonomia modelli più semplici e discuterne punti di forza, limiti e incertezze, ad analizzare gli output dei modelli globali di clima.

Un ulteriore obiettivo dell'insegnamento è fornire gli strumenti per leggere e capire, sulla base dei temi trattati a lezione, articoli scientifici di settore, saperne rielaborare i concetti e comunicare in maniera sinetica ed efficace i contenuti.
Al termine dell'insegnamento studentesse e studenti saranno in grado di comprendere perchè il clima è un sistema complesso e non lineare, come è cambiato nel corso della storia e cosa è cambiato nel modo in cui cambia; saranno in grado di capire quali strumenti modellistici è più opportuno utilizzare a seconda dell'applicazione e dello scopo; sapranno maneggiare alcuni semplici modelli climatici e capire come analizzare i dati che forniscono. Saranno in grado di leggere e comprendere un articolo scientifico relativo ai temi trattati nel corso ed esporne i contenuti.

Programma

  • Descrizione del sistema climatico come sistema dinamico, non lineare e complesso, delle sue principali componenti (atmosfera, oceano, criosfera, superficie terrestre e biosfera) e di come interagiscono alle diverse scale
  • I cicli principali nel sistema climatici: bilancio di energia sulla Terra, ciclo dell’acqua e ciclo del carbonio e loro cambiamenti
  • La modellistica climatica
  • definizione generale di modello climatico
  • gerarchia dei modelli (Modelli a bilancio di energia, modelli radiativo convettivi, modelli a complessità intermedia, modelli accoppiati del sistema terra, gemelli digitali)
  • le componenti di un modello climatico e loro accoppiamento, cenni sulla soluzione numerica delle equazioni
  • Dettaglio sui modelli globali e loro controparte regionale. Metodi di disaggregazione dell'informazione (downscaling statistico/stocastico) dalle grandi alle piccole scale, per ottenere stime delle varibili climatiche utili ad effettuare studi di impatto a scala locale
  • validazione dei modelli climatici e importanza dell'integrazione tra modelli e osservazioni.
  • La variabilità climatica e i cambiamenti climatici: La risposta del sistema climatico alle perturbazioni esterne naturali e antropiche. Concetti di radiative forcing e climate sensitivity. I meccanismi di retroazione (fisici, geochimici, biogeochimici e biogeofisici) come esempi concreti della non linearità del clima e della sua variabilità interna.
  • Discussione di un argomento di ricerca e della relativa letteratura che racchiude molti dei contenuti del corso: come idea iniziale l'argomento potrebbe essere lo studio dei cambiamenti climatici nelle regioni di alta quota e in particolare il "Riscaldamento diependente dalla quota": cause, meccanimi in atto e impatti, ma potrebbe cambiare a seconda della risposta della classe agli argomenti trattati.

Modalità d'esame

Le modalità di verifica dell'apprendimento saranno effettuate mediante esame orale che consisterà nell'esposizione di un argomento a scelta (per circa 20 minuti, eventualmente tramite slides ma non è obbligatorio) e altre domande da parte della docente sui temi del corso. In tutto l'esame dovrebbe durare tra i 30 e i 40 minuti.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

  • Essentials of the Earth’s climate system, Roger G. Barry, Eileen A. Halll-McKim, Cambridge University Press, 2014
  • Global Physical Climatology; Dennis L. Hartmann, Elsevier Science; 2nd edition (2016)
  • Climate Change and Climate Modelling, J. David Neelin, Cambridge University Press, 2011
  • Physics of Climate, Peixoto and Oort, AIP, 520pp (1992)
  • Climate System Modelling, K. Trenberth, Cambridge University Press (2010)
  • Elementary Climate Physics, F.W. Taylor, Oxford University Press (2005)
  • IPCC (2014) Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Stocker, T.F., Qin, D., Plattner, G-K., et al. (eds). https://www.ipcc.ch/assessment-report/ar5/

Codice insegnamento FIS0257

Complessita' Nei Sistemi Sociali 6 CFU · PHYS-02/A · 0 file

Acquisizione delle conoscenze e delle tecniche più importanti di meccanica statistica e di fisica teorica per lo studio dei sistemi complessi, con particolare attenzione ai sistemi sociali. Sviluppo di strumenti…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione delle conoscenze e delle tecniche più importanti di meccanica statistica e di fisica teorica per lo studio dei sistemi complessi, con particolare attenzione ai sistemi sociali.
Sviluppo di strumenti informatici per l'analisi e la modellizzazione delle reti.
Acquisizione delle competenze di base, sia teoriche che computazionali, tramite il paradigma delle reti complesse, per lo studio dei fenomeni sociali e dei processi dinamici che li riguardano.

Programma

“Fisica della Complessita’ nei Sistemi Sociali”

Lorenzo Dall'Amico, PhD

ISI Foundation, Torino

La fisica statistica offre una serie di metodi e approcci utili allo studio di fenomeni su larga scala. Questo insegnamento presentera’ l’applicazione della fisica statistica per lo studio e la comprensione dei sistemi sociali e della loro intrinsica complessita’. Questo approccio si basa sull’idea che il comportamento su larga scala dei sistemi sociali composti da un largo numero di individui possa essere descritto senza la necessita’ di conoscerne tutti i dettagli a livello individuale ma solo alcuni dei suoi aspetti cruciali, considerando gli individui come entita’ relativamente semplici.

La prima parte dell'insegnamento presentera’ gli strumenti teorici di introduzione ai sistemi complessi e alle reti complesse, con un particolare riguardo alla descrizione di fenomeni sociali in termini di modelli fisici, a partire da una fenomenologia quantitativa che consenta la caratterizzazione e descrizione delle caratteristiche emergenti osservate in fenomeni sociali a larga scala.

La seconda parte del corso si occuperà dello studio di processi dinamici in sistemi sociali complessi, quali processi a cascata e di contagio. L’attenzione sara’ concentrata sull’impatto della complessita’ – intrinseca negli aspetti sociali,biologici, e culturali del sistema – sulle proprieta’ cruciali dei fenomeni di propagazione e contagio. Inoltre, il corso si focalizzerà sull'analisi di algoritmi per lo studio della presenza di comunità in una rete, indotta da affinità sociodemografica tra gli elementi che la compongono.

Modalità d'esame

L'esame si farà in aula in forma orale e consisterà di due domande sul programma svolto durante il corso.

Testi di riferimento

  • Laszlo Barabasi, Network Science http://barabasi.com/book/network-science
  • Alain Barrat, Marc Barthélemy, Alessandro Vespignani. Dynamical Processes on Complex Networks (Cambridge University Press, Cambridge, 2008).
  • M. E. J. Newman. Networks, an Introduction. Oxford University Press, (2010).

Codice insegnamento INT0770

Complexity Economics 6 CFU · PHYS-02/A · 0 file

Concetti base di microeconomia e macroeconomia. Comprensione di come la teoria dei sistemi complessi può contribuire allo studio dell’economia. Lo studente acquisirà competenze in economia, che sono spesso mancanti nella…

Scheda dell'insegnamento

Obiettivi formativi

Concetti base di microeconomia e macroeconomia. Comprensione di come la teoria dei sistemi complessi può contribuire allo studio dell’economia.
Lo studente acquisirà competenze in economia, che sono spesso mancanti nella formazione degli scienziati ma molto richieste in diversi settori industriali. Inoltre, lo studente sarà esposto a una pluralità di approcci allo studio dell’economia, oltre l’approccio tradizionale basato sulla massimizzazione dell’utilità e l’equilibrio.

Programma

L'obiettivo del corso è fornire agli studenti con una formazione in scienze naturali una conoscenza di base di come la scienza dei sistemi complessi può contribuire all'economia. A questo scopo, per ciascun argomento inizieremo con il trattamento tradizionale, e introdurremo progressivamente approcci alternativi che utilizzano metodi come sistemi dinamici, reti, meccanica statistica e agent-based modeling. Questi approcci insisteranno su aspetti spesso trascurati nell'analisi economica tradizionale, come le dinamiche al di fuori dell'equilibrio, la razionalità limitata, l’eterogeneità e le reti. Gli argomenti trattati includeranno sia la microeconomia (consumo e produzione, equilibrio nei mercati e nei giochi, distribuzioni heavy-tailed, mercati finanziari) che la macroeconomia (contabilità nazionale, crescita, cicli economici, modelli input-output). Considereremo sia modelli matematici semplici che possono essere risolti analiticamente sia agent-based models più complessi, e che quindi devono essere simulati. A questo scopo, il corso includerà sia lezioni frontali che lezioni pratiche in cui gli studenti lavoreranno con modelli di simulazione sul loro computer.

Modalità d'esame

L’esame sarà orale e consisterà in due domande sugli argomenti del corso. C’è la possibilità di portare un approfondimento, teorico o computazionale, su un argomento a scelta, in sostituzione di una delle due domande.

Testi di riferimento

Non esiste un unico libro di testo, dal momento che il corso coprirà diversi argomenti. In ogni caso, I libri di testo e articoli di review indicati di seguito possono essere utili per comprendere gli argomenti del corso in maniera più approfondita.

  • Gandolfo, G. (2009). Economic Dynamics: Fourth Edition. Springer Verlag.
  • Kirman, A. (2010). Complex Economics: Individual and Collective Rationality. Routledge.
  • Hommes, C. (2013). Behavioral Rationality and Heterogeneous Expectations in Complex Economic Systems. Cambridge University Press.
  • Boero, R., Morini, M., Sonnessa, M., and Terna, P. (2015). Agent-Based Models of the Economy: From Theories to Applications. Springer.
  • Delli Gatti, D., Fagiolo, G., Gallegati, M., Richiardi, M., and Russo, A. (2018). Agent-Based Models in Economics: A Toolkit. Cambridge University Press.
  • Axtell, R. L., and Farmer, J. D. (2024). Agent-Based Modeling in Economics and Finance: Past, Present, and Future. Journal of Economic Literature, 1-;101.
  • Farmer, J. D. (2024). Making Sense of Chaos: A Better Economics for a Better World. Penguin.

Codice insegnamento FIS0255

Computational Application To Cognitive Neuroscience 6 CFU · PHYS-06/A · 0 file

L'insegnamento mira a fornire agli studenti una conoscenza teorico-pratica avanzata sulle applicazioni di metodi computazionali nelle neuroscienze. L’insegnamento offre una comprensione approfondita dei principi…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento mira a fornire agli studenti una conoscenza teorico-pratica avanzata sulle applicazioni di metodi computazionali nelle neuroscienze. L’insegnamento offre una comprensione approfondita dei principi attraverso cui il funzionamento cerebrale implementa le principali funzioni sensoriali, cognitive e affettive a diversi livelli di scala, dal singolo neurone fino alla descrizione di sistemi e network a livello meso e macro-scala. Saranno trattate le diverse tipologie di segnale che è possibile ricavare dall’attività neurale, con particolare attenzione alle tecniche di neuroimmagine e alle analisi computazionali a loro dedicate. Infine, un modulo del corso verrà dedicato allo sviluppo e applicazione dell’intelligenza artificiale ispirata e/o dedicata alle neuroscienze.

Il corso è strutturato in due moduli che coprono sia gli aspetti teorici che quelli pratici, offrendo una formazione interdisciplinare che integra concetti di neuroscienze dei sistemi e computazionali.
Conoscenza e capacità di comprensione: Ci si aspetta che gli studenti e le studentesse comprendano i fondamenti dell'interazione tra neuroni, e i principi che governano la loro integrazione in aree, strutture complesse e network, nonché le metodologie computazionali capaci di caratterizzare questi sistemi.

Capacità di applicare conoscenza e comprensione: Al termine del corso, gli studenti e le studentesse dovranno essere in grado di strutturare una semplice domanda di ricerca in ambito neuroscientifico e applicare le metodologie computazionali più adeguate a testarla empiricamente.

Programma

Teoria:

  • Il sistema nervoso centrale: dal neurone ai sistemi e le loro funzioni sensoriali, cognitive e affettive (anatomia funzionale)
  • Metodi di registrazione del segnale nel cervello umano: MRI, fMRI, EEG ed elettrofisiologia
  • Le proprietà strutturali del cervello: metodi di diffusione
  • Le analisi sul segnale cerebrale: segnale spontaneo (resting-state), segnale evocato (task-based), structural, functional and effective connectivity
  • Normalità e patologia in alcuni casi studio: le basi neurali della consapevolezza, delle emozioni e dell’attenzione

Pratica:

  • Ripasso di Python
  • Introduzione ai dati di neuroimaging: Nibabel, Nilearn, MNE e atlanti cerebrali
  • Caratterizzazione e quantificazione della connettività funzionale del cervello
  • Teoria delle reti applicata alle reti cerebrali
  • Dynamic Functional Connectivity: il cervello umano come sistema dinamico metastabile
  • Applicazioni di machine learning ai dati di neuroimmagini: decoding cerebrale con EEG/fMRI

Modalità d'esame

L'esame finale sarà composto da una prova orale e una pratica. La prova pratica include un progetto finale che dimostri la comprensione dei principi teorici e la capacità di applicare le tecniche introdotte per rispondere empiricamente ad una domanda di ricerca. La prova orale verterà sugli argomenti trattati a lezione.

Codice insegnamento FIS0249

Data Mining: Modelizzazione Statistica E Apprendimento Automatico 6 CFU · PHYS-06/A · 0 file

L'insegnamento si pone l'obiettivo di fornire competenze di base per l'analisi e la modellazione statistica dei dati, con speciale attenzione alle tecniche di apprendimento automatico (machine learning) in contesti sia…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento si pone l'obiettivo di fornire competenze di base per l'analisi e la modellazione statistica dei dati, con speciale attenzione alle tecniche di apprendimento automatico (machine learning) in contesti sia descrittivi che predittivi. Le lezioni hanno un forte carattere interdisciplinare e coprono argomenti tradizionalmente trattati in corsi di laurea di informatica e statistica. Un importante obiettivo dell'insegnamento è la conoscenza operativa delle tecniche e degli algoritmi trattati. Le lezioni teoriche si alterneranno perciò a esercitazioni al computer.

  • compresione teorica dei fondamenti dell'apprendimento automatico (machine learning) dai dati
  • capacità di usare le principali librerie Python per il machine learning (Scikit-learn, Tensorflow, Pytorch) nel contesto di applicazioni tipiche di predizione e representation learning.

Programma

  • Il processo di 'learning' e formalizzazione del problema di apprendimento automatico.
  • L'architettura degli algoritmi di apprendimento automatico: struttura del modello, scoring e ricerca
  • criteri di fattibilità per l'apprendimento, la teoria della generalizzazione, il limite di generalizzazione di Vapnik-Chervonenkis
  • Modelli lineari: classificazione lineare, regressione lineare, metodo dei minimi quadrati, regressione logistica, trasformazioni non lineari.
  • Funzioni costo e algoritmi di ottimizzazione con gradient descent
  • Introduzione alle reti neurali: backpropagation, ottimizzazione e tuning degli iperparametri
  • La penalizzazione della complessità del modello, il trade-off approssimazione-generalizzazione, bias e varianza, la curva di apprendimento.
  • Overfitting e Regolarizzazione: complessità del modello e overfitting, regolarizzatori comunemente utilizzati, regolarizzazione nelle reti neurali.
  • Validazione e Cross-Validation: set di validazione, validazioni leave-one-out e K-fold
  • Kernel, moltiplicatori di lagrange e Support Vector Machines (hard e soft margin)
  • Information theory e alberi di decisione, introduzione alle random forests e out-of-bag error, bagging e boosting
  • Maximum likelihood estimation e inferenza bayesiana. Il classificatore Naive Bayes.
  • Il problema della Curse of Dimensionality, tecniche di fattorizzazione lineare e decomposizioni matriciali. Singular Value Decomposition. Analisi delle componenti principali e Nonnegative Matrix Factorization.
  • Representation learning e spazi latenti. Uniform manifold approximation and projection (UMAP) e t-distributed stochastic neighbor embedding (t-SNE). Autoencoders e Varational autoencoders.
  • Approcci non-supervisionati: custering gerarchico e K-means. Algoritmi Model e Density Based. Indici Interni, Indici Esterni e altre misure di bontà degli algoritmi di clustering.
  • Implementazione degli algoritmi trattati nel corso utilizzando le principali librerie Python per il machine learning (Scikit-learn, Tensorflow, Pytorch) nel contesto di applicazioni tipiche di predizione e representation learning.

Modalità d'esame

L’esame orale include sia domande di teoria e presentazione di una prova pratica.

La prova sulla pratica include un mini-progetto finale e un esercizio. I dettagli saranno dati durante il corso.

  • Il mini-progetto finale dovrà essere consegnato in formatto notebook, in una piattaforma online scelta dagli insegnanti. Potrà essere realizzato in gruppi di 2, massimo 3 studenti.
  • La consegna dell'esercizio è obbligatòria e dovrà essere fatta usando la piattaforma scelta dagli insegnanti per condivisione di notebooks.

Testi di riferimento

  • Yaser S. Abu-Mostafa, Malik Magdon-Ismail, Hsuan-Tien Lin, "Learning from Data", AMLBook 2012

Codice insegnamento FIS0180

Deep Learning 6 CFU · PHYS-02/A · 0 file

Verranno presentati i principali modelli di reti neurali artificiali alla base del moderno "deep learning". Saranno esplorati sia i fondamenti teorici del deep learning che le tecniche di applicazione in diversi…

Scheda dell'insegnamento

Obiettivi formativi

Verranno presentati i principali modelli di reti neurali artificiali alla base del moderno "deep learning".

Saranno esplorati sia i fondamenti teorici del deep learning che le tecniche di applicazione in diversi contesti.
Conoscenza e capacità di comprensione: Comprensione della teoria alla base dei principali modelli di reti neurali artificiali e delle tecniche di addestramento e di applicazione.

Capacità di applicare conoscenza e comprensione: Capacita' di costruire un progetto di machine learning usando reti neurali artificiali complesse.

Programma

Breve ripasso di concetti base di machine learning: maximum likelihood estimation, regolarizzazione e inferenza bayesiana.

Introduzione alla Teoria dell'Informazione.

Reti neurali artificiali: dal percettrone alle reti neurali profonde.

Ottimizzazione: Stochastic gradient descent e sue varianti, Backpropagation.

Reti neurali convoluzionali e loro applicazioni.

PCA & Autoencoders

Reti Ricorrenti, GRU, LSTM

Word Embeddings

Attention

Modalità d'esame

Esame orale con 2 possibili modalità:

1) Progetto con componente computazionale (es. implementazione di una rete neurale per uno specifico task) + domande di teoria

2 ) Solo domande di teoria sugli argomenti del corso.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

C.M. Bishop. Pattern Recognition and Machine Learning. Springer, 2006.

CM Bishop, H Bishop. Deep Learning: Foundations and concepts.
Springer Nature

Mehta et al. A high-bias, low-variance introduction to Machine Learning for physicists. 2019. Phys Rep. 810:1-124 https://arxiv.org/abs/1803.08823

I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press, 2016.

A. Geron. Hands-On Machine Learning With Scikit-Learn and Tensorflow: Concepts, Tools, and Techniques to Build Intelligent Systems. Oreilly & Associates Inc. 2017.

Discussion about the references in the first video lecture

Codice insegnamento FIS0254

Derivates 9 CFU · STAT-04/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0746

Econofisica 6 CFU · PHYS-02/A · 0 file

Sviluppo della capacità di costruire, con tecniche informatiche avanzate, modelli della realtà economica e sociale. Capacità di applicare conoscenza e comprensione. Capacità di autonoma preparazione di un lavoro sia…

Scheda dell'insegnamento

Obiettivi formativi

Sviluppo della capacità di costruire, con tecniche informatiche avanzate, modelli della realtà economica e sociale.
Capacità di applicare conoscenza e comprensione.

Capacità di autonoma preparazione di un lavoro sia relativo alla parte di calcolo numerico, sia relativo ad un modello di simulazione.

Autonomia di giudizio.

Sviluppo della capacità di utilizzare modelli per rappresentare e valutare la realtà.

Abilità comunicative.

Esposizione scritta e orale del lavoro che deve essere sviluppato durante il corso, anche per l'esame.

Capacità di apprendimento.

Sviluppo della capacità di apprendere autonomamente nuove tecniche avanzate di uso dei computer.

Programma

Mappa Concettuale del corso

Basi di conoscenza economica, con particolare riferimento a:

  • sapere minimo di contabilità nazionale, con un riferimento al primer http://www.bea.gov/national/pdf/nipa_primer.pdf;
  • lezioni online del prof.Stefano Fenoaltea, http://fenoaltea.altervista.org per la microeconomia e la storia del pensiero economico;
  • progetto innovativo di insegnamento dell'economia: CORE ECON.

Introduzione agli Agent-based Models (ABMs) - per farsi un'idea, vedere https://en.wikipedia.org/wiki/Agent-based_model - sviluppando motivazioni dell'impiego, specificazione degli agenti, tecniche di sviluppo dei modelli, con riferimento a:

Boero, R., Morini, M., Sonnessa, M., and Terna, P. (2015), Agent-based Models of the Economy - From Theories to Applications, Palgrave Macmillan, Basingstoke;

Epstein, J.M. (2013), Agent_Zero: Toward Neurocognitive Foundations for Generative Social Science, Princeton University Press, Princeton, NJ;

(con un conferenza online di Epstein sul suo libro).

Strumenti software:

NetLogo, https://ccl.northwestern.edu/netlogo/;

SLAPP, https://terna.github.io/SLAPP;

GAMA, https://gama-platform.github.io;

JADE, https://jade.tilab.com.

Modalità d'esame

L'esame consiste nella discussione di una tesina di simulazione ad agenti sviluppata sotto la guida del docente e nella valutazione comparativa del contenuto della tesina con uno o più articoli di riferimento.

Testi di riferimento

Boero, R., Morini, M., Sonnessa, M., and Terna, P. (2015), Agent-based Models of the Economy - From Theories to Applications, Palgrave Macmillan, Basingstoke;

Epstein, J.M. (2014), Agent_Zero: Toward Neurocognitive Foundations for Generative Social Science, Princeton University Press, Princeton, NJ;

Wooldridge M., An Introduction to MultiAgent Systems, John Wiley & Sons;

Gerhard Weiss, Multiagent Systems, A Modern Approach to Distributed Modern Approach to Artificial Intelligence, The MIT Press;

Bellifemine F., Caire G., Greenwood D., Developing Multi-Agent Systems with JADE, John Wiley & Sons;

Bordini R., Hubner J., Wooldridge M., Programming Multi-Agent Systems in AgentSpeak using Jason, John Wiley & Sons

  • le lezioni del corso tenute nell'A.A. 2018-2019 dal Prof. Pietro Terna sono online.

Codice insegnamento INT0755

Econometrics - Mod. Estimation Methods And Applications 6 CFU · ECON-05/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0250

Elementi Di Fisiologia 6 CFU · BIOS-06/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Voto Finale

Codice insegnamento FIS0022

Elementi Di Teoria Dei Giochi E Delle Reti 6 CFU · MATH-04/A · 0 file

Lo scopo del corso è fornire un'introduzione alle tecniche di base per la modellizzazione dei fenomeni sociali e di teoria delle reti. In particolare, esamineremo prima di tutto le basi della teoria delle decisioni…

Scheda dell'insegnamento

Obiettivi formativi

Lo scopo del corso è fornire un'introduzione alle tecniche di base per la modellizzazione dei fenomeni sociali e di teoria delle reti.

In particolare, esamineremo prima di tutto le basi della teoria delle decisioni interattive, la cosidetta teoria dei giochi, che è lo strumento fondamentale per formulare e testare modelli di interazione tra individui, ad esempio in competizione per una risorsa. Estenderemo poi i concetti di base al caso in cui il gioco, e quindi l'interazione, sia ripetuta nel tempo, studiando due famiglie di modelli: quelli che fanno capo alla cosiddetta teoria dei giochi evolutivi, che permette di analizzare sotto quali condizioni gli equuilibri di Nash vengono effettivamente raggiunti da giocatori 'miopi', e la teoria degli automi decisionali, ad esempio Tit for Tat, win-stay/lose shift, e così via.

La seconda parte del corso tratta degli elementi di teoria delle reti: introdurremo le basi di teoria dei grafi direzionati, e studieremo le relazioni tra le proprietà topologiche dei grafi e le proprietà algebriche della matrice di adiacenza. Questo permette di introdurre la nozione di camminatore casuale su un grafo, e di descriverlo come una catena di Markov a stati finiti. Come applicazione studieremo l'algoritmo di Brin e Page per il Page Rank di Google. Come seconda applicazione, studieremo successioni di grafi casuali, e descriveremo i principali modelli generativi per il grafo Web, mostrando come la note distribuzione a legge di potenza delle pagine web implichi una legge di attaccamento preferenziale: il web si aggrega in modo che pagine più popolari attirano più link delle altre. Discuteremo inoltre l'importanza relativa di alcune misure di clustering e connessione di grafi, con applicazioni alle reti sociali. Infine, presenterò il modello base di gestione del traffico su reti, il cosiddetto selfish routing, in cui si vede bene l'interazione tra la topologia della rete e la logica del conflitto tra gli utenti pr l'utilizzo della stessa.
In uscita lo studente dovrebbe avere le basi su cui fondare lo studio ulteriore dei sistemi complessi formati da agenti in mutua interazione, con i metodi più sofisticati forniti in corsi successivi, ad esempio basati su tecniche di meccanica statistica (non trattata in questo corso).

Programma

Teoria dei giochi. Forma strategica e forma estesa. Equilibri di Nash, equilibri perfetti e subgame perfect.

Teoria evolutiva dei giochi: dinamica del replicatore e dinamiche di apprendimento.

Il dilemma del prigioniero iterato: automi e teoremi folk di Nash.

Teoria delle reti, cenni su teoria dei grafi casuali e catene di Markov. L'algoritmo Page Rank. I principali modelli generativi per il web, e applicazioni alla autoorganizzazione di reti sociali e web. Misure di clustering, centralità e connessione. Il modello di Watts Strogatz. Analisi di reti sociali.

Selfish routing: il paradosso di Braess

Modalità d'esame

L'esame e' costituito da una prova orale di durata non inferiore a 30 minuti che comprende quesiti teorici e risoluzione di esercizi. In alternativa, verranno proposti test scritti intermedi il cui risultato contribuirà al voto finale

Testi di riferimento

  • Dispense del corso disponibili sul sito
  • M. Osborne and A. Rubinstein. A course in Game Theory. MIT Press
  • R. B. Myerson. Game theory: analysis of conflict. Harvard University Press
  • H. Gintis. Game theory evolving. Princeton University Press
  • D. Easley and J. Kleinberg. Metworks, crowds and markets. Cambridge University Press
  • A. Bonato. A course on the Web graph. American Mathematical Society.
  • M. Van Steen. Graph theory and complex networks: an Introduction.

Codice insegnamento INT0908

Epidemiologia Digitale 6 CFU · PHYS-02/A · 0 file

Questo corso offre una panoramica dei dati digitali e dei metodi computazionali che possono essere utilizzati per studiare la diffusione di malattie infettive e più in generale la salute di una popolazione su larga…

Scheda dell'insegnamento

Obiettivi formativi

Questo corso offre una panoramica dei dati digitali e dei metodi computazionali che possono essere utilizzati per studiare la diffusione di malattie infettive e più in generale la salute di una popolazione su larga scala.
Al termine del corso gli studenti avranno:

  • una conoscenza delle ricerche all’avanguardia nel campo dell’Epidemiologia Digitale
  • la capacità di raccogliere dati da fonti digitali proxy (come Google Trends, Wikipedia, articoli di notizie, etc)
  • la capacità di progettare e implementare modelli computazionali per rappresentare e prevedere la diffusione delle malattie infettive
  • la capacità di integrare dati e tecniche statistiche avanzate nei modelli epidemici

Programma

Questo corso offre una panoramica dei dati digitali e dei metodi computazionali che possono essere utilizzati per studiare la diffusione di malattie infettive e più in generale la salute di una popolazione su larga scala.

La prima parte sarà incentrata sull’epidemiologia digitale, offrendo un’introduzione alla disciplina, ripercorrendone la recente evoluzione e presentando una varietà di casi d’uso. In particolare, questo modulo si focalizzerà sia sui dati digitali raccolti passivamente (ad esempio, dati dai social media, ricerche su Internet) sia sui dati raccolti attivamente attraverso piattaforme di sorveglianza partecipativa per lo studio delle malattie infettive.

La seconda parte del corso sarà dedicata all’epidemiologia computazionale, offrendo un’esplorazione approfondita di diverse tecniche matematiche e computazionali impiegate per modellizzare e prevedere la trasmissione delle malattie infettive. In particolare, verranno trattati modelli compartimentali semplici a popolazione singola, modelli di rete e modelli con metapopolazioni. Verranno inoltre discussi concetti di modellizzazione più avanzati, come le matrici di contatto e i cambiamenti comportamentali. Il corso porrà particolare enfasi sull’implementazione pratica di questi modelli, includendo metodi di calibrazione bayesiana, principi di previsione epidemica, integrazione dei dati per migliorare l’accuratezza dei modelli e l’analisi di scenari epidemici reali, tra cui la pandemia di COVID-19.

Circa un terzo delle lezioni sarà dedicato a sessioni pratiche e operative utilizzando il linguaggio di programmazione Python. Sebbene l’obiettivo principale del corso riguardi le dinamiche della trasmissione delle malattie infettive nelle popolazioni umane, le metodologie introdotte hanno un’ampia applicabilità e possono essere estese facilmente a una vasta gamma di soggetti. Tra questi figurano popolazioni non umane e vari processi di diffusione, come la propagazione di informazioni, la circolazione di idee, l’adozione di norme e la diffusione di contenuti su Internet.

Modalità d'esame

L’esame consisterà in un progetto pratico e in una prova orale sui materiali presentati a lezione.

Testi di riferimento

Modeling Infectious Diseases in Humans and Animals
Matt J. Keeling and Pejman Rohani (https://www.jstor.org/stable/j.ctvcm4gk0)

Codice insegnamento FIS0124

Equazioni Della Fisica Matematica 6 CFU · MATH-04/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento MAT0189

FISICA DELLA MATERIA A 6 CFU · PHYS-03/A · 0 file

Fornire agli studenti le nozioni fondamentali per la comprensione dei fenomeni della dinamica elettronica nei solidi e delle proprietà di alcune classi di materiali. Nozioni fondamentali per la definizione delle…

Scheda dell'insegnamento

Obiettivi formativi

Fornire agli studenti le nozioni fondamentali per la comprensione dei fenomeni della dinamica elettronica nei solidi e delle proprietà di alcune classi di materiali.
Nozioni fondamentali per la definizione delle principali caratteristiche ottiche/elettroniche e termiche dei materiali solidi.

Nozioni fondamentali per la comprensione dei fenomeni fisici alla base di alcune delle piu' diffuse tecniche sperimentali per la caratterizzazione di materiali e dispositivi a stato solido.

Sapere descrivere il moto elettronico all'interno dei solidi dal punto di vista classico, semiclassico e quantistico.

Padroneggiare le implicazioni della struttura periodica spaziale nei confronti delle onde, sia elettromagnetiche che elettroniche.

Sapersi orientare all'interno di una situazione fisica relativa alla conduzione nei solidi individuando le grandezze importanti e il loro ordine di grandezza.

Programma

Onde in mezzo non dispersivo e in mezzo dispersivo. Significato della relazione di dispersione. Strutture cristalline ed elementi di simmetria puntuale. Diffrazione di neutroni ed elettroni. Tecniche sperimentali per la diffrazione X e teoria di Laue. Reticolo reciproco e sue proprietà. Modelli di Sommerfeld e di Drude per gli elettroni nei solidi: proprietà in regime stazionario. Distribuzione di Fermi e potenziale chimico. Proprietà termiche ed elettriche. Legge di Ohm. Conducibilità termica e legge di Wiedermann-Franz. Ulteriori proprietà del gas di Fermi. Frequenza di plasma. Plasmoni. Lunghezza di schermo elettrostatico in approssimazione di Thomas-Fermi. Effetti della statistica di Fermi-Dirac per la depressione delle sezione d’urto elettrone-elettrone. Limiti del modello a gas di Fermi. Teorema di Bloch in 3D e sue implicazioni. Cenni al modello di Kronig-Penney. Modello ad elettroni quasi liberi in 1D e soluzione approssimata a bordo zona. Superficie di Fermi in 2D e in 3D. Modello ad elettroni fortemente legati. Modello semiclassico per la dinamica degli elettroni nelle bande. Descrizione della conduzione per mezzo di elettroni o di lacune. Tensore massa efficace. Cenni alle oscillazioni di Bloch. Elettroni e lacune nei semiconduttori e loro proprietà di trasporto.

Modalità d'esame

Normalmente l'esame consiste di un esame scritto obbligatorio piu' un orale facoltativo, entrambi in presenza.

Secondo le disposizioni di Ateneo, agli studenti e alle studentesse che rientrino in una condizione di fragilità personale o positività in relazione al Covid-19, autocertificata nella fase di prenotazione all’appello, è garantita la possibilità di svolgere l’esame a distanza, secondo una delle modalità previste dall’Ateneo, tenendo anche conto di eventuali disabilità e/o di disturbi specifici dell’apprendimento.

L'esame scritto obbligatorio consiste nella risposta a 4 quesiti, tra cui la risoluzione di un esercizio. Il punteggio totale è equamente ripartito tra i 4 quesiti, e il punteggio attribuito a ciascuno di essi corrisponde ad una frazione del punteggio massimo disponibile ottenuta interpolando in base alla correttezza, pertinenza e completezza delle risposte. Il punteggio dell'esame scritto si ottiene sommando i punti ottenuti per ciascun quesito.

L'esame orale facoltativo consiste nella risposta a due domande e il voto finale è determinato usando il voto dell'esame scritto come punto di partenza.

Testi di riferimento

1. C.Kittel, Introduzione alla Fisica dello Stato Solido, Boringhieri, (1971)

2. J.R.Hook, H.E.Hall, Solid State Physics, J.Wiley & Sons, (1991)

3. N. W. Ashcroft, N. D. Mermin, Solid State Physics, Holt, Rinehart and Winston, (1976)

Codice insegnamento P592829887

FISICA DELLA MATERIA CONDENSATA 6 CFU · PHYS-04/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Voto Finale

Codice insegnamento P170092501

FONDAMENTI DI TEORIA DEI CAMPI 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P497475226

INTRODUZIONE ALLA TEORIA DEI GRUPPI 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P101336934

Introduzione All'Informazione Quantistica 6 CFU · PHYS-02/A · 0 file

Apprendimento delle conoscenze di base per la comprensione di alcuni tra i concetti fondamentali (e relative applicazioni) della teoria dell'informazione quantistica. Al termine dell’insegnamento e dello studio…

Scheda dell'insegnamento

Obiettivi formativi

Apprendimento delle conoscenze di base per la comprensione di alcuni tra i concetti fondamentali (e relative applicazioni) della teoria dell'informazione quantistica.
Al termine dell’insegnamento e dello studio individuale, ci si attende che studentesse e studenti abbiano appreso e siano in grado di applicare e comunicare, in contesti di ricerca e di didattica, gli argomenti principali ndel corso, ovvero:

1) effetti di rumore nella computazione quantistica, i.e. canali quantistici (rappresentazione discreta dell'evoluzione temporale tramite operazioni quantistiche) e "master equations (rappresentazione continua dell'evoluzione temporale) per sistemi aperti (sottosistemi di sistemi quantistici composti);

2) misure per il confronto di stati ed operatori quantistici (fedelta' e fedelta' di intreccio);

3) teoria della codifica dell'informazione classica (cenni) e quantistica e della correzione "fault-tolerant" degli errori negli algoritmi dei computer quantistici tramite strumenti rudimentali di algebra lineare e di teoria dei gruppi;

4) concetti e proprietà fondamentali dell'informazione classica e quantistica, e.g. teoremi sulla "compressione" dell'informazione in canali di comunicazione classica e quantistica (con e senza rumore);

5) cenni sull'evoluzione ottimale di sistemi quantistici tramite uso di tecniche variazionali e relazione alla teoria degli algoritmi quantistici.

Programma

Il corso tratta le seguenti tematiche:
1) Effetti di rumore sulle operazioni quantistiche:

  • operazioni quantistiche e sistemi aperti, rappresentazione di Kraus
  • canali di depolarizzazione, smorzamento di ampiezza e fase
  • "master equations" per sistemi aperti;
    2) Misure di distanze per stati ed operatori quantistici:
  • fedelta' e fedelta' di intreccio;
    3) Teoria della correzione degli errori quantistici:
  • discretizzazione degli errori ed errori indipendenti
  • codici di Shor, di Calderbank-Shor-Steane e codici stabilizzatori, teorema di Gottesman-Knill
  • circuiti quantistici per la codifica, decodifica e correzione degli errori
  • computazione quantistica "fault tolerant";
    4) Misure dell'informazione classica e quantistica:
  • entropia di Shannon, entropia relativa e condizionale e proprieta' fondamentali
  • entropia di von Neumann, entropia relativa quantistica e proprieta' fondamentali
  • informazione accessibile ed il limite di Holevo
  • compressione dell'informazione classica (teorema di Shannon) e quantistica (teorema di Schumacher)
  • canali di comunicazione classici e quantistici con rumore classico o quantistico
  • stati quantistici separabili ed intrecciati, misure, distillazione e diluizione dell'intreccio;

5) Cenni sull'evoluzione ottimale di sistemi quantistici:

  • principi variazionali, metodo di Pontryagin
  • algoritmo di Grover come geodetica nello spazio di Hilbert degli stati quantistici

Modalità d'esame

Gli esami si svolgeranno in presenza in forma di colloquio orale (con domande su ciascuno degli argomenti principali trattati nel corso) della durata di circa un'ora. Gli esiti vengono restituiti subito dopo lo svolgimento dell'esame, la cui scala di valutazione è in trentesimi. Tali criteri valgono anche per gli studenti che non frequentano e per gli studenti in mobilità internazionale (ad es. Erasmus, se richiesto anche in lingua inglese).

Testi di riferimento

Quantum Computation and Quantum Information, M. Nielsen and I. Chuang, Cambridge University Press, Cambridge, UK, 2000;

An Introduction to Quantum Computing, R. Laflamme and M. Mosca, Oxford University Press, Oxford, UK, 2007;

Lecture Notes for Physics 229: Quantum Information and Computation, J. Preskill, Caltech, USA, 1998 (web-link: http://www.theory.caltech.edu/people/preskill/ph229/#lecture);

The Theory of Open Quantum Systems, H.P. Breuer and F. Petruccione, Oxford University Press, UK, 2006.

Codice insegnamento FIS0154

Introduzione Alla Computazione Quantistica 6 CFU · PHYS-02/A · 0 file

Acquisizione delle conoscenze teoriche e introduzione alle tecniche sperimentali più importanti per la computazione quantistica. Acquisizione dei principi teorici della computazione quantistica, e delle competenze…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione delle conoscenze teoriche e introduzione alle tecniche sperimentali più importanti per la computazione quantistica.
Acquisizione dei principi teorici della computazione quantistica, e delle competenze nell' uso e programmazione dei calcolatori quantistici disponibili in rete.

Programma

1. Introduzione. Quantum bits, sfera di Bloch, qubits multipli, porte a singolo qubit e porte a qubits multipli.
Circuiti quantistici. Stati di Bell. Algoritmi quantistici. Cenni alla teoria dell' informazione quantistica.
2. I fondamenti della Meccanica Quantistica. Esperimenti e postulati della teoria. Formalismo: algebra lineare.
Operatore densità. Sistemi composti e traccia parziale. EPR e stati intrecciati. Disuguaglianza di Bell.
3. Crittografia a chiave pubblica, il protocollo RSA. Il piccolo teorema di Fermat. Crittografia quantistica. Teletrasporto.
4. Circuiti quantistici. Insieme di porte universali per la computazione quantistica.
5. Algoritmi quantistici, Algoritmo di Deutsch-Josza. Trasformata di Fourier Quantistica. Algoritmo di Shor
per la fattorizzazione di numeri interi. Algoritmo di Grover per la ricerca ed il conteggio di stati quantistici.

Modalità d'esame

Esercizi durante il corso, esame orale

Testi di riferimento

M.A. Nielsen, I.L. Chuang, "Quantum Computation and Quantum Information", Cambridge Univ. Press (2000)

D. Bouwmeester, A. Ekert, A. Zeilinger, "The Physics of Quantum Information", Springer (2000)

W. Scherer, Mathematics of Quantum Computing, Springer 2019

Note del corso di John Preskill (Caltech), http://theory.caltech.edu/~preskill/ph229/

Note del corso del docente, https://people.unipmn.it/leonardo/QCNotes.pdf

Codice insegnamento FIS0153

Introduzione Alla Teoria Dei Campi 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0152

LABORATORIO DI GEOFISICA COMPUTAZIONALE 6 CFU · PHYS-01/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento P290746156

LABORATORIO DI TECNICHE AVANZATE DI MODELIZZAZIONE: MAS 6 CFU · PHYS-01/A · 0 file

Introduzione al mondo della modellizzazione avanzata: Agent Based Models (ABM) e Multi Agent Systems (MAS). Descrizione di alcuni dei principali middleware (MW) per MAS: Netlogo, Gama e Jade. Attività di…

Scheda dell'insegnamento

Obiettivi formativi

Introduzione al mondo della modellizzazione avanzata: Agent Based Models (ABM) e Multi Agent Systems (MAS).

Descrizione di alcuni dei principali middleware (MW) per MAS: Netlogo, Gama e Jade.

Attività di modellizzazione con MW a scelta per processi di interesse ai curricula di tecnologie avanze, teorico e di sistemi complessi.
Comprensione dei principi di base degli ABM e dei MAS.

Conoscenza di base dei più comuni MW MAS.

Possesso delle competenze informatiche e fisiche necessarie per modellizzare un fenomeno fisico con AMB/MAS.

Programma

Parte prima: Multi Agent Systems

  • introduzione ai concetti di base per gli ABM e per l'Artificial Intelligence (AI)
  • il paradigma BDI
  • agenti intelligenti
  • deductive reasoning agents
  • practical reasoning agents
  • agenti reattivi ed ibridi
  • interazione tra agenti in MAS
  • la negoziazione
  • tecniche di comunicazione tra agenti
  • la collaborazione tra agenti nei MAS

Parte seconda: introduzione a middleware per MAS

  • introduzione a Netlogo
  • introduzione a GAMA
  • introduzione a Jade (e a Jason)

Parte terza: attività di laboratorio (di gruppo)

  • sviluppo di una modellizzazione MAS per MW e fenomeno fisico concordati gruppo per gruppo con il docente

Modalità d'esame

  • Discussione della relazione di laboratorio su appuntamento obbligatoriamente per tutto il gruppo. Orale su appuntamento individuale.

Testi di riferimento

  • An Introduction to MultiAgent Systems, Michael Wooldridge, John Wiley & Sons
  • Multiagent Systems, A Modern Approach to Distributed Modern Approach to Artificial Intelligence, Gerhard Weiss, The MIT Press
  • Developing Multi-Agent Systems with JADE, Fabio Bellifemine -; Giovanni Caire -; Dominic Greenwood, John Wiley & Sons
  • Programming Multi-Agent Systems in AgentSpeak using Jason, Rafael Bordini -; Jomi Hubner -; Wooldridge, John Wiley & Sons
  • https://code.google.com/p/gama-platform/, Google Project Hosting GAMA Home Page

Codice insegnamento P579550473

Laboratorio Di Fisica Della Materia 6 CFU · PHYS-03/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Voto Finale

Codice insegnamento INT0446

Laboratorio Di Fluidodinamica 6 CFU · FIS/06 · 0 file

Conoscere la dinamica dei fluidi rotanti, turbolenza e dispersione con attivita' pratica sperimentale di presa ed analisi dati che ne consenta l'applicazione allo studio dell'ambiente. Conoscenza e capacità di…

Scheda dell'insegnamento

Obiettivi formativi

Conoscere la dinamica dei fluidi rotanti, turbolenza e dispersione con attivita' pratica sperimentale di presa ed analisi dati che ne consenta l'applicazione allo studio dell'ambiente.
Conoscenza e capacità di comprensione: Apprendimento di competenze specialistiche sulla fluidodinamica di laboratorio. Il/La frequentante acquisirà una solida preparazione sui fondamenti dei fluidi rotanti e dei flussi turbolenti approfondendo el metodologie fisiche e fisico matematiche per l'analisi. Capacità di applicare conoscenza e comprensione: capacità di realizzare modelli della realtà fisica in laboratorio; capacità di utilizzare autonomamente avanzate tecniche di misura e analisi dei dati in campo fluidodinamico e ambientale.

Programma

Approfondimento del comportamento dei fluidi reali (in ambiente rotatnte e non), con particolare riferimento a turbolenza e dispersione applicate a casi reali sperimentali.

Tecniche sperimentali fluidodinamiche: PIV (Particle Image Velcocimetry) e LIF (Laser induced Fluorescency)

Esperienze di laboratorio con discussioni preliminari di tutte le rilevanti problematiche di setup ed esecuzione; analisi dati svolta prevalentemnete con il sofwtare Matlab.

6 sessioni di laboratorio (4h per ogni sessione) con misure tramite strumenti basati sull'analisi delle immagini e con strumentazione tradizionale. I dati misurati vengono elaborati con diversi software e presentati in quattro relazioni scritte, una per ogni esperienza.

Modalità d'esame

Preparazione di relazioni scritte, una per ogni esperimento eseguito, che pesano per 1/3 sul voto finale; le relezioni devono essere consegnate due settimane prima dello svolgimento dell'esame. Colloquio orale (che pesa per i 2/3 del voto finale), che consiste nella discussione di una delle relazioni scritte scelta mediante sorteggio. La scala di valutazione è in trentesimi.Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

Dispense e Materiale fornito dai docenti, disponibili su campusnet: https://www.masterdegree-physics.unito.it/do/corsi.pl/Show?_id=b362

Arya, S. (1988). Introduction to Micrometeorology. Academic Press.

Holton, J. (1992). An introduction to Dynamic Meteorology. Academic Press.

Kundu, P. (1990). Fluid Mechanics. Academic Press.

Pasquill, F. (1974). Atmospheric diffusion. 2nd ed. Ellis Horwood.

Sorbjan, Z. (1989). Structure of the Atmospheric Boundary Layer. Prentice Hall.

Stull, R. (1988). An introduction to Boundary Layer Meteorology. Kluwer Academic Publishers.

Zannetti, P. (2005). AIR QUALITY MODELING,Theories, Methodologies, Computational Techniques, and Available Databases and Software. Vol. I and II. P. Zannetti Editor, The EnviroComp Institute and the Air and Waste Management.

M. Raffael,C. E. Willert, J. Kompenhans, Particle Image Velocimetry: a practical guide, 2001

Codice insegnamento INT0914

MECCANICA QUANTISTICA II 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Voto Finale

Codice insegnamento P912067267

METODI MATEMATICI PER LA FISICA DELLA COMPLESSITA' 6 CFU · PHYS-02/A · 0 file

Acquisire alcuni strumenti matematici utilizzati in fisica, integrandoli con le competenze sviluppate nei precedenti corsi di matematica. Conoscenza delle nozioni chiave in analisi complessa ed equazioni differenziali.…

Scheda dell'insegnamento

Obiettivi formativi

Acquisire alcuni strumenti matematici utilizzati in fisica, integrandoli con le competenze sviluppate nei precedenti corsi di matematica.
Conoscenza delle nozioni chiave in analisi complessa ed equazioni differenziali. Capacita' analitiche nel risolvere i problemi individuando i punti salienti e applicando consapevolmente le conoscenze acquisite.

Programma

PROGRAMMA DI METODI MATEMATICI PER LA FISICA

1. Serie, funzioni differenziabili, integrali di linea in campo complesso.
2. Funzioni analitiche.
3. Integrali con il metodo dei residui di Cauchy.
4. Funzioni polidrome, superfici di Riemann. Definizione del Logaritmo e delle radici.
5. Integrali con funzioni polidrome, tagli e punti di diramazione.
6. Punto all'infinito e sfera di Riemann. Trasformazioni conformi.
7. Trasformazioni di Moebius. Idrodinamica e teorema della mappa di Riemann. Esempi.
8. Continuazione analitica e funzioni speciali: gamma di Eulero e zeta di Riemann.
9. Introduzione alle equazioni differenziali alle derivate parziali (PDE).
10. PDE lineari, semi-, quasi-, e non-lineari del prim'ordine.
11. Caratteristiche e integrali primi. Onde d'urto. Esempi.
12. Introduzione alle PDE del secondo ordine.
13. Serie e trasformate di Fourier.
14. Equazione del calore
15. Equazione delle onde
16. Equazione di Laplace

Per maggiori informazioni sul programma si veda la sezione: Materiale didattico

Modalità d'esame

Orale: prima domanda un'esercizio, seguono due domande di teoria. Si ottengono pieni voti sapendo impostare correttamente l'esercizio e padroneggiare le tecniche di calcolo, e , nelle domande di teoria, contestualizzandole opportunamente e rispondendo puntualmente con linguaggio appropriato. L'esame dura circa un'ora.

Testi di riferimento

Complex Analysis, J. Bak and D. J. Newman, Springer (3rd Edition 2010)

Complex Analysis, L. Ahlfors, McGraw-Hill (3rd Edition 1979)

Introduction to Partial Differential Equations, P.J. Olver, Springer

Partial Differential Equations: An Introduction with Mathematica and MAPLE, I. P. Stavroulakis, S A. Tersian. World Scientific

Applied Partial Differential Equations, J. Ockendon, S. Howison, A. Lacey & A. Movchan. Oxford University Press

Partial Differential Equations, L. C. Evans. AMS

Esercizi di Metodi Matematici per Fisici e Ingegneri P. A. Grassi. Ambrosiana

Equazioni a derivate parziali. Complementi ed esercizi, S. Salsa, G. Verzini. Springer

Codice insegnamento P551201460

Matematica Attuariale 6 CFU · STAT-04/A · 0 file

Il corso introduce lo studente ai contratti assicurativi elementari del ramo danni e vita, conciliando, per quanto possibile, gli aspetti pratici ed il formalismo matematico, richiamando concetti non elementari di…

Scheda dell'insegnamento

Obiettivi formativi

Il corso introduce lo studente ai contratti assicurativi elementari del ramo danni e vita, conciliando, per quanto possibile, gli aspetti pratici ed il formalismo matematico, richiamando concetti non elementari di calcolo delle probabilità. Si danno le definizioni di premio equo e premio puro, di riserva matematica, sottolineando la necessità di allineare i modelli probabilistici ai dati statistici disponibili ed alla pratica assicurativa.
Al termine del corso lo studente dovrebbe conoscere e saper dare le diverse definizioni del calcolo attuariale, precisandone i contesti applicativi di riferimento, e sapere effettuare i calcoli relativi a semplici problemi sia in forma analitica sia in forma numerica, avvalendosi di calcolatrice tascabile, tavole attuariali e foglio elettronico.

Programma

Rischi e coperture assicurative. Assicurazioni contro i danni o "non-life". Definizione di sinistro, danno e risarcimento. Funzione di risarcimento. Variabili aleatorie danno e risarcimento e importanti relazioni nei casi di danni esponenziali negativi o di Pareto e risarcimenti con franchigia o massimale. Valore atteso e varianza. Formule di credibilità. Somma di un numero aleatorio di addendi aleatori con applicazione al calcolo del valore complessivo dei risarcimenti di un singolo contratto. Premio equo e premio puro, caricamento di sicurezza e principi di caricamento. Teoria dell'utilità e premi assicurativi. Caricamento di sicurezza massimo accettabile da parte dell'assicurato e caricamento minimo accettabile dalla Compagnia. Cenni sulla riservazione.

Variabile aleatoria durata di vita e probabilità di eventi connessi alla durata di vita. Durata media di vita alla nascita e durata media di vita residua all'età x. Curva dei decessi e punto di Lexis. Premio unico di un'assicurazione in caso vita, di morte e assicurazioni miste. Premio annuo e premio naturale. Riserva matematica in forma prospettiva e retrospettiva. Equazioni di ricorrenza di Fouret, Kanner e scomposizione del premio periodico in premio di risparmio e premio di rischio. Formula di Homans per il calcolo dell'utile atteso di periodo.

Modalità d'esame

L'esame sarà scritto e si comporrà di una domanda teorica e della risoluzione di due esercizi.

Testi di riferimento

I testi base consigliati per il corso sono:

Dispense e lucidi delle lezioni.

E. Pitacco, Elementi di Matematica delle Assicurazioni, Edizioni LINT, Trieste, 2002, capp. 1-2, 4-7.

Codice insegnamento MAT0332

Matematica Finanziaria 6 CFU · STAT-04/A · 0 file

Il corso si propone di fornire allo studente le conoscenze di base sui modelli matematici delle operazioni finanziarie certe, con applicazioni ai piani di ammortamento e costituzione, ai contratti rateali, ai prestiti…

Scheda dell'insegnamento

Obiettivi formativi

Il corso si propone di fornire allo studente le conoscenze di base sui modelli matematici delle operazioni finanziarie certe, con applicazioni ai piani di ammortamento e costituzione, ai contratti rateali, ai prestiti obbligazionari, alla struttura dei tassi per scadenza e alla duration.
Al termine del corso lo studente dovrebbe conoscere e saper dare le diverse definizioni del calcolo finanziario, precisandone i contesti applicativi di riferimento, e sapere effettuare i calcoli relativi a semplici problemi sia in forma analitica sia in forma numerica.

Programma

Leggi e regimi finanziari ad una variabile, interessi semplici, composti, anticipati. Bot e zero coupon bond. Capitalizzazione frazionata e confronto fra tassi periodali e leggi di capitalizzazione appartenenti a diversi regimi. Intensità istantanea di interesse. Scindibilità. Leggi finanziarie a due variabili. Intensità istantanea per le leggi a due variabili e scindibilità delle leggi a due variabili. Teorema di Cantelli sulla scindibilità. Definizione di rendita e funzione valore nell'ambito di diversi regimi finanziari. Funzione W(t,i) nel caso degli interessi composti e sua rappresentazione grafica. Rendite a rate costanti e riscosse ad intervalli regolari: rendite posticipate e anticipate, immediate e differite. Formule di inversione per le rendite regolari e comportamenti limite. Indicatori temporali di sintesi. Piani d'ammortamento: impostazione elementare e impostazione finanziaria. Debito residuo in forma prospettiva e retrospettiva nelle due impostazioni. Ammortamento all'italiana e alla francese. Ammortamenti a tassi variabili e problema della condizione di chiusura finanziaria iniziale e finale. Ammortamenti non standard. Costituzione di un capitale a scadenza: piano di costituzione e fondo di costituzione. Struttura dei tassi per scadenza. Principio di impossibilità di arbitraggio. Classificazione delle operazioni finanziarie e loro confronto. Funzioni saldo di cassa, montante progressivo e valore attuale netto. Criteri di scelta fra investimenti: VAN, TIR, PBT, DPBT, Adjusted Present Value (APV). Obbligazioni con cedole a tasso fisso, corso secco, tel quel, tasso di rendimento effettivo a scadenza (TRES). Definizione di portafoglio e flussi di cassa conseguenti. Duration e proprietà di immunizzazione. Volatilità e duration modificata.

Modalità d'esame

L'esame sarà scritto e si comporrà di una domanda teorica e due esercizi.

Testi di riferimento

I testi base consigliati per il corso sono:

Dispense e lucidi delle lezioni messi a disposizione dai docenti.

Codice insegnamento MAT0331

Matematica Finanziaria E Attuariale 6 CFU · SECS-S/06 · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0253

Mathematics For Insurance 6 CFU · STAT-04/A · 0 file

The main purpose is to introduce Insurance Mathematics, life and non-life, providing a general foundation to the mathematics of the insurance business, in which probability, individuals' and companies' behaviour…

Scheda dell'insegnamento

Obiettivi formativi

The main purpose is to introduce Insurance Mathematics, life and non-life, providing a general foundation to the mathematics of the insurance business, in which probability, individuals' and companies' behaviour towards risk play a fundamental role. Financial considerations are also important, as they affect life insurance policy choices.
Knowledge and understanding

Basic knowledge of mathematical modelling in life and non life insurance, ability to interpret most insurance policies from a mathematical point of view.

Applying knowledge and understanding

Ability to convert various policies into formulas, and to assess what is due by the counterparts of an insurance policy. Ability to implement actuarial formulas on a PC.

Making judgements

Students will be able to discern the different aspects in an insurance policy, whether actuarially founded or not.

Communication skills

Students will properly use in written expression the symbols of insurance mathematics, and will be able to interpret them (i.e., looking at a formula, be able to recognise the underlying facts).

Learning skills

The skills acquired will give students the opportunity of improving and deepening their knowledge of the different aspects of the practice of insurance. They will thus move comfortably in any work environment dealing with insurance problem-solving.

Programma

Different types of risk.
Non-life insurance: policy, premium, claims, claim cost. Fair premium, net premium, premium loading and tariff rates. The total claims cost.
Utility theory framework. The ruin problem.
Life insurance: Lifetime of an individual aged x. Life statistical tables and analytical models. Endowment, pure endowment, insurance in case of death. Life annuities. Commuting formulas. Reserves in prospective and retrospective form. Recursion formulas for reserves. Decomposition of a premium into savings and risk premium. Expected profit according to Homan's formula.

Modalità d'esame

Voto Finale

Testi di riferimento

Lecture Notes available on KLIPS

Further suggested readings:

Erwin STRAUB, Non-Life Insurance Mathematics, Spinger Verlag 1988
Hans U. GERBER, Life Insurance Mathematics, Spinger Verlag 1990
Ermanno PITACCO, Elementi di Matematica delle Assicurazioni, 2° ediz., LINT Editoriale Associati, Trieste, 2002 (II edizione)

Codice insegnamento INT0752

Meccanica Dei Fluidi 6 CFU · CEAR-01/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0261

Meccanica Statistica Del Disequilibrio: Fondamenti E Applicazioni 6 CFU · MATH-04/A · 0 file

L'insegnamento intende fornire le basi teoriche per la comprensione dei fenomeni fisici di disequilibrio, partendo dalle classiche relazioni di fluttuazione e dissipazione e della risposta lineare, per arrivare alle…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento intende fornire le basi teoriche per la comprensione dei fenomeni fisici di disequilibrio, partendo dalle classiche relazioni di fluttuazione e dissipazione e della risposta lineare, per arrivare alle moderne teorie e relazioni di fluttuazione, che sono di interesse in sistemi molto lontani dall'equilibrio e sopratutto nelle moderne bio e nanotecnologie.

Indicatori di Dublino

Conoscenza e comprensione

L'insegnamento, ripercorre i progressi della fisica di dei fenonemi di disequilibrio per evidenziare la loro applicabilità e le loro limitazioni, avendo presenti i problemi delle moderne tecnologie, cosicché chi frequenta possa poi comprendere ed eventualmente sviluppare lo stato dell'arte.

Capacità di applicare conoscenza e comprensione

Al fine di rendersi il più possibile indipendente nei lavori di ricerca che si andranno a svolgere, per esempio in occasione della tesi di laurea e in futuro, è richiesto lo studio di articoli specialistici della bibliografia presente.
Capacità di comprensione della letteratura corrente sui fenomeni di disequilibrio. Questi si ritrovano ad ampio spettro nelle scienze e nella tecnologia moderne, per esempio in biologia, medicina, nanotecnologie, fenomeni climatici e fenomeni astroficisici. Inoltre, le tecniche matematiche sviluppate inqiesto ambito, sono utilizzate nello sviluppo del machine learning e dell'intelligenza artificiale.

Programma

Termodinamica del disequilibrio:

  • equilibrio locale, equazioni di bilancio e idrodinamiche;
  • moto Browniano e teorema di fluttuazione-dissipazione;
  • reciprocità di Onsager;
  • relazioni di Green e Kubo;
  • teoria di Onsager e Machlup.

Ensembles and misure invarianti:

  • fondamenti microscopici e ruolo del caos;
  • ipotesi ergodica e ipotesi caotica;
  • trasporto anomalo.
  • Equazione di Boltzmann.

Sistemi lontani dall'equilibrio e di scala nanoscopica:

  • equivalenza e non-equivalenza degli ensemble;
  • modelli dinamici;
  • estensioni della teoria lineare;
  • relazioni transienti di fluttuazione (Evans-Searles, Jarzynski, Crooks, Hatano-Sasa);
  • relazioni stazionarie di fluttuazione (Evans-Cohen-Morriss, Gallavotti-Cohen);
  • legami con la risposta lineare.

Modalità d'esame

L'esame consiste di una prova orale, della durata di circa 60 minuti. Ci sono due possibili modalità d'esame. Il primo modo prevede domande che possono spaziare su tutto il programma svolto a lezione (esame pieno). Il secondo modo si limita alla presentazione di un argomento di interesse corrente nella ricerca sui fenomeni di disequilibrio, che evidenzi le conoscenze acquisite nell'insegnamento e in tale ricerca (modalità semplificata con limitazoni sull'esito finale). In caso di non superamento dell'esame la ripetizione dello stesso deve avvenire non prima di un mese dal primo tentativo. L'esame può essere svolto sia in presenza che in via telematica.

Testi di riferimento

  • Teacher's notes made available online
  • D. J. Evans, G. P. Morriss, Statistical mechanics of nonequilibrium liquids, Cambridge Univ. Press (2008)
  • H. B. Callen, Thermodynamics, Wiley (1966)
  • E. Fermi, Thermodynamics, Dover (1956)
  • S. R. de Groot, P. Mazur, Non-equilibrium thermodynamics, Dover (1984)
  • H. Risken, The Fokker-Planck equation, Springer (1989)
  • R. Kubo, M. Toda, N. Hashitsume, Statistical Physics II, Springer-Verlag (1983)
  • D. A. Kirzhnits, Field Theoretical Methods in Many-Body Systems, Pergamon Press (1967)
  • M. I. Friedlin and A. D. Wentzell. Random Perturbations of Dynamical Systems, Berlin, Springer, (1984)
  • G. Gallavotti. Statistical Mechanics: a Short Treatise. Springer Verlag Berlin, 2000
  • Carlo Cercignani, The Boltzmann Equation and Its Applications, New York, Springer- Verlag, 1988

Codice insegnamento INT0374

Microeconomics Of Consumption, Production And Uncertainty 6 CFU · ECON-01/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0251

ONDE NON LINEARI E TURBOLENZA 6 CFU · PHYS-04/A · 0 file

Acquisizione delle conoscenze e delle tecniche più importanti per lo studio delle onde nonlineari e della turbolenza. Conoscenza e capacità di comprensione (knowledge and understanding) Conoscenze di base degli effetti…

Scheda dell'insegnamento

Obiettivi formativi

Acquisizione delle conoscenze e delle tecniche più importanti per lo studio delle onde nonlineari e della turbolenza.
Conoscenza e capacità di comprensione (knowledge and understanding)

Conoscenze di base degli effetti della nonlinearita' e della turbolenza. Conoscenze delle equazioni integrabili della fisica nonlineare. Dimestichezza con la dinamica solitonica e con la turbolenza.

Capacità di applicare conoscenza e comprensione (applying knowledge and understanding)

Capacità di comprendere e padroneggiare le equazioni nonlineari. Capacità di risolvere semplici problemi riguardanti le soluzioni analitiche di equazioni nonlineari.

Programma

Paradosso di Fermi Pasta Ulam Tsingou (FPUT)

Dispersione e nonlinearità

Modi normali e variabili azione angolo

Derivazione dell'equazione di Korteweg de Vries (Kdv) da FPUT

Integrabilità dell'equazione di KdV

Sistema meccanico di pendoli accoppiati: l'equazione di Sine Gordon

Solitoni dell'equazione di Sine Gordon

Derivazione dell'equazione Nonlineare di Schroedinger da Sine Gordon

Solitoni e modi instabili nell'equazione di Schrodinger nonlineare.

Trattazione statistica di un sistema di onde interagenti

L'equazione cinetica e le sue soluzioni

Le turbolenza d'onda

Modalità d'esame

L’esame consiste in una prova orale della durata indicativa di 40–50 minuti. Durante il colloquio, verranno richiesti due, al massimo tre, argomenti trattati a lezione. La discussione dovrà coprire sia gli aspetti fenomenologici sia quelli legati alla modellizzazione matematica dei problemi proposti. Il punteggio massimo sarà attribuito solo qualora entrambe le componenti, formale e fisica, risultino affrontate in modo completo ed esauriente. In caso di esito negativo, l’esame potrà essere ripetuto non prima di due settimane dalla prova precedente. L’esame si svolgerà in presenza.

Testi di riferimento

Physics of Solitons di Thierry Dauxois

Linear and Nonlinear Waves di G. B. Whitham

Nonlinear Dispersive Waves: Asymptotic Analysis and Solitons di Mark J. Ablowitz

Lezioni Online

LEZIONE 1
https://unito.webex.com/webappng/sites/unito/recording/play/5437e8dc3a0b4209ae101804b8c971f9

LEZIONE 2
https://unito.webex.com/webappng/sites/unito/recording/play/71068b088d674b09aaa4d24c69a68660

LEZIONE 3
https://unito.webex.com/webappng/sites/unito/recording/play/8e4c770cc10e4c4692a86b2080efd25e

LEZIONE 4
https://unito.webex.com/webappng/sites/unito/recording/play/c043ee068f6a4d32933005547e85b00e

LEZIONE 5.1 (slides KdV)
https://unito.webex.com/webappng/sites/unito/recording/play/20bbff1bd8fe41bfbda8d1f5c118f3cc

LEZIONE 5.2
https://unito.webex.com/webappng/sites/unito/recording/play/5492a0929f8041faa593079459e5a0a2

LEZIONE 6
https://unito.webex.com/webappng/sites/unito/recording/play/e3a01199c34349088c480c7ba05fb76a

LEZIONE 7
https://unito.webex.com/webappng/sites/unito/recording/play/9dbb965897aa47468ccf1599c5e25593

LEZIONE 8.1
https://unito.webex.com/webappng/sites/unito/recording/play/c9514789a60d456badf873e95858a716

LEZIONE 8.2 (slides rogue waves and NLS)
https://unito.webex.com/webappng/sites/unito/recording/play/ac04f4afe1f941d999335f0ca5167a39

LEZIONE 9
https://unito.webex.com/webappng/sites/unito/recording/play/c94eed346c20498b951a775d2de0974f

LEZIONE 10.1
https://unito.webex.com/webappng/sites/unito/recording/play/da04c5219a7f4116a89f03568866e13e

LEZIONE 10.2
https://unito.webex.com/webappng/sites/unito/recording/play/4aee6de0d1794be7af5a98b44bde5eb9

LEZIONE 11
https://unito.webex.com/webappng/sites/unito/recording/play/640e2b92d12e4c8fa2c6e7b3c3dd948f

LEZIONE 12
https://unito.webex.com/webappng/sites/unito/recording/play/9e22b067132440e7ae7b3f220a923896

LEZIONE 13
https://unito.webex.com/webappng/sites/unito/recording/play/b979fe1da0934d40b54f002101a49609

LEZIONE 14
https://unito.webex.com/webappng/sites/unito/recording/1148d5be2b5d4d53b16bfbafaa4fec1c/playback

LEZIONE 15
https://unito.webex.com/webappng/sites/unito/recording/35a5c34d798f4c2b81b21d9da2b276c3/playback

LEZIONE 16
https://unito.webex.com/webappng/sites/unito/recording/45b470cf0f074326ade0ccb06d9b109e/playback

Codice insegnamento P092343390

Planetary Fluid Dynamics 6 CFU · GEOS-04/C · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0276

Planetary Fluid Dynamics 6 CFU · FIS/06 · 0 file

L'obiettivo dell'insegnamento è fornire alcuni concetti e tecniche fondamentali per la comprensione della dinamica dei fluidi geofisici e planetari. Si analizzeranno le equazioni che descrivono fluidi newtoniani in un…

Scheda dell'insegnamento

Obiettivi formativi

L'obiettivo dell'insegnamento è fornire alcuni concetti e tecniche fondamentali per la comprensione della dinamica dei fluidi geofisici e planetari. Si analizzeranno le equazioni che descrivono fluidi newtoniani in un sistema di riferimento rotante, gli effetti della forza di Coriolis e le caratteristiche del moto nell’approssimazione geostrofica. Linearizzando le equazioni, si considereranno i tipi di soluzione corrispondenti ad onde di superficie. Successivamente si introdurranno gli effetti della stratificazione dei fluidi, con la formazione di onde interne e convezione termodinamica. Si esploreranno quindi gli aspetti legati al trasporto oceanico e la dinamica dei fluidi nell’atmosfera di Giove e negli oceani sotto ghiaccio di Europa e Ganimede.
Conoscenza e capacità di comprensione: Conoscenza degli elementi fondamentali delle equazioni a derivate parziali per fluidi stratificati ed in rotazione. Comprensione dei principali meccanismi che regolano i processi di circolazione, convezione e trasporto oceanico. Conoscenza di alcune tecniche per l'analisi della stabilità lineare dei sistemi.

Capacità di applicare conoscenza e comprensione: Capacità di utilizzare e maneggiare le equazioni a derivate parziali per la dinamica di fluidi stratificato ed in rotazione. Capacità di applicare varie tecniche all'analisi della stabilità lineare.

Programma

Equazioni della fluidodinamica in rotazione e Forza di Coriolis

Approssimazione geostrofica

Strato di Ekman

Onde di superficie: Onde di Kelvin, Onde di Poincaré, Onde di Rossby

Stratificazione, onde interne ed upwelling

Circolazione oceanica a grande scala

Approssimazione quasigeostrofica

Vortici oceanici alla mesoscala

Convezione oceanica

Trasporto oceanico, plancton e dinamica degli ecosistemi marini

Fluidi planetari: jet, bande e vortici su Giove; oceani ricoperti di ghiaccio su Ganimede ed Europa

Modalità d'esame

L'esame è costituito da una prova orale, della durata tipica di 30-40 minuti, nella quale viene chiesto di affrontare due, o al più tre, argomenti svolti a lezione, impostando il problema dal punto di vista sia fisico sia matematico.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

Libro
Titolo:
Introduction to geophysical fluid dynamics: physical and numerical aspects
Anno pubblicazione:
2011
Editore:
Academic press
Autore:
Cushman-Roisin B. & Beckers J.M.
Obbligatorio:
Libro
Titolo:
Atmospheric and oceanic fluid dynamics.
Anno pubblicazione:
2017
Editore:
Cambridge University Press
Autore:
Vallis G.K.
Obbligatorio:

Codice insegnamento FIS0259

Probabilita' Statistica E Processi Stocastici 8 CFU · MATH-04/A · 0 file

Insegnamento obbligatorio per la Laurea Magistrale in Physics of Complex Systems, collocato al II pd del I anno. In questo insegnamento vengono introdotti alcuni aspetti fondamentali dalla computazione, comprese tecniche…

Scheda dell'insegnamento

Obiettivi formativi

Insegnamento obbligatorio per la Laurea Magistrale in Physics of Complex Systems, collocato al II pd del I anno. In questo insegnamento vengono introdotti alcuni aspetti fondamentali dalla computazione, comprese tecniche ricorsive quali la programmazione dinamica e le loro applicazioni all'inferenza ed ottimizzazione in grafi e network, e la classificazione di problemi rilevanti alla fisica in classi di complessità computazionale. Sono introdotti inoltre alcuni importanti aspetti di teoria dell'informazione ed inferenza statistica, con applicazioni al machine learning.
Lo studente deve apprendere i concetti fondamentali della teoria della complessità, le tecniche per l'analisi della complessità computazionale di un algoritmo e i principali algoritmi approssimati per problemi NP-completi. Deve inoltre imparare ad applicare tali algoritmi a problemi di inferenza statistica e di ottimizzazione combinatoria.

Programma

  • Ricorsione e programmazione dinamica.
  • Introduzione alla teoria dei grafi.
  • Strutture dati ed alberi.
  • Algoritmi su grafi.
  • Teoria della complessità ed NP-completezza.
  • Teoria dell'informazione e inferenza statistica: massima entropia, massima verosimiglianza e ricostruzione di reti.
  • Belief Propagation.
  • Inferenza ed ottimizzazione su alberi: teorema di Chow-Liu
  • Hidden Markov Models.

Modalità d'esame

Esame: prova scrita; optional oral exam; individual project;

Le abilità degli studenti nel risolvere problemi saranno prima valutate attraverso una prova scritta (libri e note del corso sono ammesse durante la prova). L'esame finale è orale e consiste in 1-3 domande generali sui temi principali del corso, e saranno svolte come segue: il docente scegliera un argomento e sarà dato tempo allo studente un breve tempo (all'incirca 15 minuti) per rivederlo da libri o note. Successivamente, spiegherà l'argomento al docente oppure risponderà a domande più specifiche. Il voto finale terrà conto sia dalla prova scritta che dell'esame orale. Gli studenti che hanno ricevuto una buona valutazione nella prova scritta potranno scegliere di sostituire l'esame orale con un progetto individuale con tema vicino a quelli del corso e concordato con il docente. Il progetto deve essere consegnato nella forma di una breve relazione (5-10 pagine). La relazione sarà commentata inizialmente dal docente alla prima sottomissione (senza valutazione), e sarà valutata alla seconda sottomissione.

Testi di riferimento

Texts, readings, handouts and other learning resources:

  • "Introduction to Algorithms", T.H. Cormen, C.E. Leiserson, R.L. Rivest, MIT Press, 2000.
  • "Elements of the theory of computation", R. Lewis and C. H. Papadimitriou. Prentice-Hall.
  • "Computer and Intractability. A Guide to NP-Completeness". M. R. Garey and D. S. Johnson. Publisher W. H. Freeman, 1979.
  • "Information Theory, Inference, and Learning Algorithms", D. J. C. MacKay, Cambridge University Press, 2003.
  • "Information, Physics and Computation", M. Mezard, A. Montanari, Oxford University Press, 2009.
  • "Biological Sequence Analysis", Durbin, Eddy, Krogh, Mitchison, Cambridge University Press, 1998

Codice insegnamento FIS0116

Reti Neurali 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Voto Finale

Testi di riferimento

Giorni | Ore | Aula |
Martedì | 11:00 - 13:00 | |
Giovedì | 11:00 - 13:00 | |

Lezioni: dal 23/02/2026 al 05/06/2026
Nota: Lezioni martedì aula D
Lezioni giovedì aula Franzinetti

Codice insegnamento FIS0155

Seminario Sulla Comunicazione Scientifica 1 CFU · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0126

Sistemi Complessi Per La Biologia 6 CFU · PHYS-02/A · 0 file

L'insegnamento offre un'introduzione alla Biologia Computazionale, con particolare attenzione all'utilizzo delle tecniche più importanti di meccanica statistica e di fisica teorica per lo studio dei sistemi biologici.…

Scheda dell'insegnamento

Obiettivi formativi

L'insegnamento offre un'introduzione alla Biologia Computazionale, con particolare attenzione all'utilizzo delle tecniche più importanti di meccanica statistica e di fisica teorica per lo studio dei sistemi biologici.
Conoscenza e capacità di comprensione:

Alla fine dell'insegnamento gli studenti e le studentesse avranno una conoscenza approfondita dei più moderni risultati nel campo della Biologia Computazionale, delle tecniche di inferenza in Biologia Molecolare e dei più moderni metodi di simulazione applicati ai sistemi biologici.

Capacità di applicare conoscenza e comprensione:

Al termine dell'insegnamento gli studenti e le studentesse dovranno essere in grado di risolvere alcuni semplici esempi di regolazione genica, e discutere proprietà di teoria delle reti e della statistica Bayesiana

Programma

Si discuteranno alcune applicazioni della meccanica statistica ai sistemi
biologici. In particolare:

  • Entropia di Shannon e sue generalizzazioni per l'analisi di sequenze
  • Catene di Markov nascoste e data mining
  • Simulazione al calcolatore di sistemi biologici:
    Metodi Montecarlo e Dinamica Molecolare
  • Teoria dei network
  • Dinamica dei circuiti di regolazione genica

Modalità d'esame

L'esame è costituito da una prova orale, della durata tipica di 40-50 minuti, nella quale viene chiesto di affrontare ab initio due, o al più tre, argomenti svolti a lezione, discutendo sia gli aspetti fisici che biologici del problema . In caso di non superamento dell'esame la ripetizione dello stesso deve avvenire almeno due settimane dopo la prima prova.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

U. Alon "Introduction to Systems Biology" Chapman & Hall (2007)

Codice insegnamento FIS0156

Spatially Extended Systems 6 CFU · PHYS-03/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0323

TECNICHE DI ANALISI NUMERICA E SIMULAZIONE 6 CFU · PHYS-01/A · 0 file

The main purpose of the course is to strengthen the knowledge of the students related to the analysis of experimental data, with specific attention toward the ones connected to experiments of nuclear and subnuclear…

Scheda dell'insegnamento

Obiettivi formativi

The main purpose of the course is to strengthen the knowledge of the students related to the analysis of experimental data, with specific attention toward the ones connected to experiments of nuclear and subnuclear physics, and to give the instruments to perform Monte Carlo simulations of physical processes and of experimental equipments.
Knowledge and understanding
By the end of the course, students will have acquired knowledge of the main methods for parameter estimation, the construction of confidence intervals, the assessment of goodness of fit, linear and non-linear classification techniques, and Monte Carlo methods. These topics will also be addressed through examples and applications developed in C++ using the ROOT framework.

Applying knowledge and understanding
Students will be able to apply the methods learned during the course to simple problems in simulation and data analysis, independently developing C++ programs and using the software tools introduced during lectures and computer laboratory sessions.

Learning skills
The predominantly bottom-up approach, based on finding and developing solutions starting from specific problems and examples, is intended to provide students with an autonomous problem-solving methodology that can be applied to new situations involving the simulation of physical processes and measurement systems, as well as data analysis.

Programma

Statistical induction. Bayes' theorem. Interpretation of probability: frequentist and Bayesian approaches. Random variables and functions of random variables. Mellin and Fourier convolutions. Summary of relevant probability density functions. Moments of p.d.f. Error propagation. Covariance matrices. Characteristic functions. The Monte Carlo method. Pseudorandom numbers generators. Examples of generators: middle square, congruent linear methods, RANDU, minimal standard generator, Mersenne-Twister. Properties of a good pseudorandom number generator. Generators implemented in ROOT. Using uniformly distributed random numbers to generate sequences of numbers distributed according to a given function: tecnhiques of inversion, rejection and importance sampling. Evaluating integrals with Monte Carlo techniques. Practical examples of inversion and rejection methods: comparison of the two techniques. Transport of particles: the Geant program suite. Example: simulation of the Compton scattering. Ipotheses and statistical tests. Example: particle identification. Bayesian approach. Neman-Pearson lemma. Fischer discriminant function. Goodness of fit. Observed significance level. Signal/background: example of poissonian signal on a known background. Statistical significance of experimental results; possible interpretation problems. Goodness of fit tests in case of big samples (Pearson test) and small samples (Monte Carlo approach). Estimators and their properties. Maximum Likelihood estimators. Measurements from different experiments. Fits: maximum likelihood and least squares methods. Classical confidence intervals (Neyman). Gaussian and Poissonian estimators. Asymmetric error bars and measurements close to physical boundaries. Bayesian estimators. Students are expected to write a simulation and reconstruction program in C++ (e.g. cosmic rays detection with a telescope of RPC detectors, vertex reconstruction in a collider, etc) as a part of this course. This task is partly accomplished under the supervision of the teacher during laboratory sessions.

Modalità d'esame

The examination is oral. During the interview, students will discuss an exercise prepared in advance on a topic agreed upon with the instructor. The exercise consists of writing a simulation/reconstruction program using an object-oriented approach. This will be followed by two questions on the topics covered during the course.

Testi di riferimento

Registrazione
Aperta

Codice insegnamento P174501565

Tecnologie Quantistiche 6 CFU · FIS/03 · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento FIS0248

Tecnologie Quantistiche Fotoniche 6 CFU · PHYS-03/A · 0 file

Le peculiari proprietà dei sistemi quantistici sono diventate negli ultimi 25 anni una risorsa fondamentale per sviluppare nuove tecnologie che superino i limiti delle tecnologie basate sui sistemi classici, le…

Scheda dell'insegnamento

Obiettivi formativi

Le peculiari proprietà dei sistemi quantistici sono diventate negli ultimi 25 anni una risorsa fondamentale per sviluppare nuove tecnologie che superino i limiti delle tecnologie basate sui sistemi classici, le tecnologie quantistiche. Tali tecnologie promettono applicazioni di grandissima rilevanza che spaziano dalla cybersecurity ad applicazioni alla fisica fondamentale. Infatti, da un lato la possibilità di codificare, trasmettere ed elaborare dati utilizzando i sistemi quantistici ha condotto alla nascita dell’informazione quantistica, dall’altro lato l’uso di tali sistemi permette di superare i limiti classici della misura (quantum metrology, imaging & sensing). Inoltre lo sviluppo delle tecnologie quantistiche ha permesso di affrontare i fondamenti concettuali della meccanica quantistica da una nuova prospettiva,conducendo ad una maggiore comprensioni degli aspetti fondazionali di questa che è, al momento, la teoria base della fisica.

Lo sviluppo delle tecnologie quantistiche sta crescendo esponenzialmente negli ultimi anni coinvolgendo un sempre maggior numero di realtà accademiche ed industriali.

Aziende che sviluppano tecnologie quantistiche, spesso basate su sistemi ottici (come, ad esempio, i sistemi di comunicazione quantistica sicura), sono ormai una realtà consolidata, in Europa e non solo. Le attività di queste aziende, oltre che alle comunicazioni cifrate, sono collegate alla sensoristica di alta precisione, alla computazione ed ai sistemi di imaging.

Di conseguenza, lo sviluppo di competenze in questo ambito è cruciale per supportare lo sviluppo di queste nuove tecnologie.

Questo insegnamento ha l’obbiettivo di fornire, dopo un breve approfondimento dei concetti base dei fondamenti della meccanica quantistica, l’apprendimento degli argomenti più significativi dell’ottica quantistica, della comunicazione quantistica, della metrologia quantistica e dell’imaging quantistico.
Conoscenza e comprensione delle basi dell’ottica quantistica e delle principali tecnologie quantistiche fotoniche in questo ambito (comunicazione quantistica, misure quantistiche e imaging quantistico).

Capacità di applicare le conoscenze acquisite nell'ambito dello sviluppo e della valutazione di soluzioni connesse alle tecnologie quantistiche fotoniche.

Programma

Introduzione all’ottica quantistica

  • Quantizzazione del campo elettromagnetico
  • Fotorivelazione
  • Stati coerenti
  • Stati squeezed
  • Entanglement
  • Fenomeni di ottica non-lineare, PDC
  • Diseguaglianze di Bell

Comunicazione quantistica

  • Qubit per la comunicazione quantistica
  • Quantum Key Distribution (QKD), No-cloning theorem, il protocollo BB84
  • QKD point-to-point: realizzazioni pratiche
  • La matrice densità e la tomografia degli stati quantistici
  • L’entropia di Shannon e di Von Neumann
  • Strategie di Eavesdropping e criteri di sicurezza
  • QKD con stati entangled.
  • Protocolli di comunicazione quantistica avanzata
  • Teletrasporto di qubit
  • Teletrasporto dell’entanglement: entanglement swapping
  • Quantum dense coding
  • Misura degli stati di Bell: realizzazione sperimentale
  • Device-independent (DI-) e Measurement-device-independent (MDI-) QKD
  • Evoluzione generalizzata dei sistemi quantistici: il formalismo delle operazioni quantistiche

Misure quantistiche e imaging quantistico

  • Limiti ultimi all'incertezza di misura: Cramer Rao bound, classico e quantistico
  • Interferometria quantistica con stati squeezed e stati entangled
  • Interferometria quantistica non-lineare
  • Stima di perdita ottica con stati entangled
  • Sub-shot-noise imaging: tecniche e limiti sperimentali
  • Ghost imaging con luce termica e con luce quantistica
  • Imaging con fotoni non rivelati
  • Limiti ultimi nella discriminazione di stati quantistici (cenni): Helstrom bound, Chernoff bound quantistico.
  • Schemi quantistici in presenza di rumore: quantum illumination, quantum radar/lidar
  • Metodi quantistici di super-risoluzione oltre il limite di diffrazione

Modalità d'esame

L'esame è unicamente orale. Lo studente deve rispondere ad almeno 3 domande (una di ottica quantistica, una di comunicazione quantistica ed una di misure e imaging quantistico) dimostrando la capacità di affrontare gli argomenti discussi a lezione. L'esame dura indicativamente 45 minuti.

La scala di valutazione è in trentesimi.

Le modalità di verifica dell’apprendimento per coloro che non frequentano e per gli studenti in mobilità internazionale sono identiche a quelle degli altri studenti.

Testi di riferimento

“Optical Coherence and Quantum Optics” L. Mandel and E. Wolf, Cambridge Univers. Press. ISBN 0521417112

“Quantum Computation and Quantum Information”, M. A. Nielsen e I. L. Chuang, Cambridge University Press, ISBN 13: 9780521635035

“Quantum Information, Computation and Cryptography”, F. Benatti et al., Springer verlag, ISBN 978-3-642-11914-9

"The Physics of Quantum Information", D. Bouwmeester, A. Ekert, A. Zeilinger, Springer, ISBN 978-3540667780

Slides dei docenti

Codice insegnamento FIS0278

Teoria Dei Campi Statistica 6 CFU · PHYS-02/A · 0 file
Scheda dell'insegnamento

Modalità d'esame

Tipo di esame: Orale. Valutazione: Voto Finale.

Codice insegnamento INT0576

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.