Dall’intelligenza artificiale gli strumenti per gemelli digitali reattivi.
La creazione di un gemello digitale richiede un continuo scambio di un’enorme quantità di dati con il sistema reale, spesso eterogenei e difficili da interpretare. In questo contesto, l’intelligenza artificiale – in particolare il machine learning, o apprendimento automatico – si rivela fondamentale per analizzare, filtrare e dare senso a questi dati in tempo reale, migliorando l’interazione tra il sistema fisico e la sua replica digitale. Il Research Topic 3 (RT3) si concentra sull’integrazione del machine learning all’interno degli algoritmi di calcolo numerico, con l’obiettivo di rendere i gemelli digitali ancora più intelligenti ed efficienti. In questo scenario, le reti neurali artificiali giocano un ruolo cruciale grazie alla loro capacità di riconoscere schemi nascosti e generare previsioni affidabili anche in condizioni mutevoli. In particolare, grazie alla potenza di calcolo del deep learning i gemelli digitali possono reagire in tempo quasi reale, mantenendo una connessione costante con i loro corrispettivi nel mondo fisico.
Branca dell’intelligenza artificiale che si occupa di creare algoritmi in grado di apprendere o di migliorare le proprie performance sulla base dei dati forniti.
Rete neurale artificiale
Modello di calcolo composto da molte unità interconnesse (neuroni), in grado di prendere decisioni tramite processi ispirati al funzionamento del cervello umano.
Deep learning
Sottoinsieme del machine learning in cui gli algoritmi sono composti da molti strati di reti neurali interconnesse, in grado di estrarre caratteristiche più avanzate dai dati iniziali in maniera progressiva.
Task e risultati
Il Research Topic 3 è organizzato in tre task, ciascuno dei quali corrisponde a una diversa fase del flusso di ricerca, dall’integrazione di modello e dati alla modularizzazione e adattamento del gemello digitale.
Ogni prodotto scientifico del Research Topic 3 è associato a uno specifico task e a una milestone che lo colloca all’interno del progetto iNEST, lungo la timeline del progetto (2022, 2023, 2024, 2025) oppure nell’ambito di specifiche attività progettuali (per esempio quelle legate ai Young Researcher Grants).
1 – Integrazione dei modelli
Il task RT3.1 è focalizzato su tecniche di apprendimento automatico per la continua integrazione di dati e modelli.
Stochastic Quasi-Newton Trust-Region Training for Deep Networks
Yousefi, M., & Martínez, Á. (2023). Deep Neural Networks Training by Stochastic Quasi-Newton Trust-Region Methods. Algorithms, 16(10), 490. https://doi.org/10.3390/a16100490
Università di Trieste
2023
Articolo su rivista
Generative Abstraction of Population Markov Models
Cairoli, F., Anselmi, F., d’Onofrio, A., & Bortolussi, L. (2023). Generative abstraction of Markov population processes. Theoretical Computer Science, 977, 114169.
Università di Trieste
2023
Articolo su rivista
Neural Network Compression via Knowledge Distillation and Tensors
Meneghetti, L., Bianchi, E., Demo, N., & Rozza, G. (2025). KD-AHOSVD: Neural network compression via knowledge distillation and tensor decomposition. In Lecture notes in computer science (pp. 81–92). https://doi.org/10.1007/978-3-031-87897-8_7
SISSA
2024
Articolo di conferenza
Non-Monotone Trust-Region Methods with Noisy Oracles
Krejić, N. et al. (2024). A non-monotone trust-region method with noisy oracles and additional sampling. Comput Optim Appl 89, 247–278. https://doi.org/10.1007/s10589-024-00580-w
Università di Trieste
2024
Articolo su rivista
Probabilistic Programming for Collective Adaptive Systems
Randone, F., Doz, R., Cairoli, F., & Bortolussi, L. (2024, October). Towards a probabilistic programming approach to analyse collective adaptive systems. In International Symposium on Leveraging Applications of Formal Methods (pp. 168-185). Cham: Springer Nature Switzerland.
Università di Trieste
2024
Articolo di conferenza
First- and Second-Order Directions for Deep Network Training
Martínez, Á., Viola, M., Yousefi, M. (2025). Combined First- and Second-Order Directions for Deep Neural Networks Training. In: Sergeyev, Y.D., Kvasov, D.E., Astorino, A. (eds) Numerical Computations: Theory and Algorithms. NUMTA 2023. Lecture Notes in Computer Science, vol 14476. Springer, Cham. https://doi.org/10.1007/978-3-031-81241-5_9
Università di Trieste
2025
Contributo su libro
2 – IA modulare
Il task RT3.2 studia tecniche di machine learning e intelligenza artificiale per lo sviluppo di gemelli digitali modulari.
Graph-Based Inference of Chemical Reaction Networks
Bortolussi, L., Cairoli, F., Klein, J., & Petrov, T. (2023, September). Data-driven inference of chemical reaction networks via graph-based variational autoencoders. In International Conference on Quantitative Evaluation of Systems (pp. 143-147). Cham: Springer Nature Switzerland.
Università di Trieste
2023
Articolo di conferenza
Conformal Predictive Monitoring for Multi-Modal Systems
Cairoli, F., Bortolussi, L., Deshmukh, J. V., Lindemann, L., & Paoletti, N. (2025, September). Conformal Predictive Monitoring for Multi-modal Scenarios. In International Conference on Runtime Verification (pp. 336-356). Cham: Springer Nature Switzerland.
Università di Trieste
2025
Articolo di conferenza
Neuro-Symbolic Discovery of Population Markov Processes
Bortolussi, L., Cairoli, F., Klein, J., & Petrov, T. (2025). Neuro-Symbolic Discovery of Markov Population Processes.
Università di Trieste
2025
Articolo di conferenza
Evolutionary Synthesis of Probabilistic Programs
Doz, R., Randone, F., Medvet, E., & Bortolussi, L. (2025, July). Evolutionary Synthesis of Probabilistic Programs. In Proceedings of the Genetic and Evolutionary Computation Conference (pp. 999-1007).
Università di Trieste
2025
Articolo di conferenza
Trace-Elites with Multi-Point Descriptors
Ludwig, H. M., Espeseth, A., & Medvet, E. (2025, April). Trace-Elites: Better Quality-Diversity with Multi-point Descriptors. In International Conference on the Applications of Evolutionary Computation (Part of EvoStar) (pp. 338-353). Cham: Springer Nature Switzerland.
Università di Trieste
2025
Articolo di conferenza
Stepping Stones in MAP-Elites Search Dynamics
Nadizar, G., Rusin, F., Medvet, E., & Ochoa, G. (2025, April). The Role of Stepping Stones in MAP-Elites: Insights from Search Trajectory Networks. In European Conference on Genetic Programming (Part of EvoStar) (pp. 224-239). Cham: Springer Nature Switzerland.
Università di Trieste
2025
Articolo di conferenza
3 – Gemelli digitali adattivi
Il task RT3.3 ha l’obiettivo di integrare tecniche di IA e apprendimento automatico per la simulazione, l’ottimizzazione e l’adattamento in tempo reale dei digital twin.
Model-Free Control of Cable Robots
Blanchini, F., Della Schiava, L., Fenu, G., Giordano, G., Pellegrino, F. A., & Salvato, E. (2023). Model-free cable robot control. IFAC-PapersOnLine, 56(2), 550-555.
Università di Trieste
2023
Articolo di conferenza
Data-Driven Relatively Optimal Control
Pellegrino, F. A., Blanchini, F., Fenu, G., & Salvato, E. (2023). Data-driven dynamic relatively optimal control. European Journal of Control, 74, 100839.
Università di Trieste
2023
Articolo su rivista
Variational Model Checking for Stochastic Verification
Bortolussi, L., Cairoli, F., Carbone, G., & Pulcini, P. (2023, October). Scalable stochastic parametric verification with stochastic variational smoothed model checking. In International Conference on Runtime Verification (pp. 45-65). Cham: Springer Nature Switzerland
Università di Trieste
2023
Articolo di conferenza
Learning-Based Predictive Monitoring with Statistical Guarantees
Cairoli, F., Bortolussi, L., & Paoletti, N. (2023, October). Learning-based approaches to predictive monitoring with conformal statistical guarantees. In International Conference on Runtime Verification (pp. 461-487). Cham: Springer Nature Switzerland.
Università di Trieste
2023
Articolo di conferenza
Model Abstraction with Score-Based Diffusion Models
Bortolussi, L., Cairoli, F., Giacomarra, F., & Scassola, D. (2023, September). Model Abstraction and Conditional Sampling with Score-Based Diffusion Models. In International Conference on Quantitative Evaluation of Systems (pp. 307-310). Cham: Springer Nature Switzerland.
Università di Trieste
2023
Articolo di conferenza
Conformal Monitoring of STL Requirements
Cairoli, F., Paoletti, N., & Bortolussi, L. (2023). Conformal Quantitative Predictive Monitoring of STL Requirements for Stochastic Processes.
Università di Trieste
2023
Articolo di conferenza
Shared Control for Traffic Wave Attenuation
Salvato, E., Elia, L., Fenu, G., & Parisini, T. (2024, December). Stop-and-Go Traffic Wave Attenuation: A Shared Control Approach. In 2024 IEEE 63rd Conference on Decision and Control (CDC) (pp. 4929-4934). IEEE.
Università di Trieste
2024
Articolo di conferenza
Active Disturbance Rejection MPC for Over-Actuated Systems
Salvato, E., Fenu, G., Pellegrino, F. A., & Parisini, T. (2024, June). An Active Disturbance Rejection Model Predictive Controller for Constrained Over-Actuated Systems. In 2024 European Control Conference (ECC) (pp. 2547-2552). IEEE.
Università di Trieste
2024
Articolo di conferenza
Resilient Coverage Control for UAV Teams
Rezaee, H., Salvato, E., Fenu, G., & Parisini, T. (2024). Resilient coverage by teams of quadrotor UAVs: Theory and experiments. IEEE Transactions on Control Systems Technology, 32(6), 2009-2022.
Università di Trieste
2024
Articolo su rivista
Calibration-Free Visual Servo Control
Salvato, E., Blanchini, F., Fenu, G., Giordano, G., & Pellegrino, F. A. (2025). Position-based visual servo control without hand-eye calibration. Robotics and Autonomous Systems, 105045.
Università di Trieste
2025
Articolo su rivista
Model-Free Kinematic Control for Robots
Salvato, E., Blanchini, F., Fenu, G., Giordano, G., & Pellegrino, F. A. (2025). Model-free kinematic control for robotic systems. Automatica, 173, 112030.
Università di Trieste
2025
Articolo su rivista
Conformal Predictive Monitoring with Conditional Guarantees
Cairoli, F., Kuipers, T., Bortolussi, L., & Paoletti, N. (2025). Conformal quantitative predictive monitoring of stochastic systems with conditional validity. Nonlinear Analysis: Hybrid Systems, 57, 101606.
Università di Trieste
2025
Articolo su rivista
Scalable Stochastic Parametric Verification
Cairoli, F., & Bortolussi, L. (2025). Scalable and reliable stochastic parametric verification with stochastic variational smoothed model checking. International Journal of Systems Science, 1-29.
Università di Trieste
2025
Articolo su rivista
Certified Planning with Deep Generative Models
Giacomarra, F., Hosseini, M., Paoletti, N., & Cairoli, F. (2025, May). Certified Guidance for Planning with Deep Generative Models. In Proceedings of the 24th International Conference on Autonomous Agents and Multiagent Systems (pp. 877-885).
Università di Trieste
2025
Articolo di conferenza
Coordinamento
Il Research Topic 3 è guidato dall’Università di Trieste. La Scuola Internazionale Superiore di Studi Avanzati (SISSA) è a sua volta coinvolta nel RT3.
