Università Roma Tre

Il primo modulo, Fondamenti, introduce i concetti chiave dell’intelligenza artificiale applicata all’elettromagnetismo, ponendo le basi per un dialogo efficace tra i due ambiti disciplinari. L’obiettivo è fornire agli studenti un linguaggio condiviso e un impianto metodologico solido, utile a orientarsi nella complessità delle interazioni tra modelli fisici e algoritmi di apprendimento.

Il secondo modulo, Apprendimento supervisionato per la modellazione elettromagnetica, analizza come i dati etichettati, ottenuti da simulazioni numeriche o misure sperimentali, possano essere impiegati per addestrare modelli predittivi. Particolare attenzione è rivolta ai problemi di regressione, all’uso di reti neurali e alla costruzione di modelli data-driven per approssimare campi elettromagnetici e risposte funzionali di dispositivi.

Nel terzo modulo, dedicato alle reti neurali informate dalla fisica (Physics-Informed Neural Networks, PINNs) e a tecniche selezionate di apprendimento non supervisionato, si approfondisce l’integrazione della conoscenza fisica all’interno degli algoritmi. In particolare, si esplora come le equazioni di Maxwell possano essere incorporate nella fase di training per garantire coerenza fisica anche in presenza di dataset incompleti o rumorosi.

Il quarto modulo, Modellazione surrogata e riduzione della complessità, affronta strategie per sostituire simulazioni elettromagnetiche ad alto costo computazionale con modelli approssimati, rapidi ed efficienti. Gli studenti imparano a costruire surrogate capaci di mantenere l’aderenza ai vincoli fisici, riducendo i tempi di calcolo e ottimizzando i processi di progettazione.

Il quinto modulo, incentrato sulle tecniche di ottimizzazione della progettazione, mostra come le tecniche di intelligenza artificiale possano essere utilizzate per ricostruire geometrie, parametri materiali o distribuzioni di sorgenti a partire da misure elettromagnetiche. Vengono inoltre introdotti approcci di ottimizzazione vincolata in spazi ad alta dimensionalità, con l’ausilio di algoritmi evolutivi e reti neurali.

Il modulo conclusivo, Applicazioni avanzate e integrazione con software elettromagnetici, è dedicato all’implementazione pratica dei modelli AI all’interno dei flussi di lavoro industriali. Attraverso l’uso di strumenti professionali come CST Studio Suite, HFSS e MATLAB, gli studenti affrontano casi applicativi reali, quali la progettazione automatizzata di antenne, la caratterizzazione di metamateriali e la simulazione intelligente di ambienti elettromagnetici complessi.

Manuali principali:
S. Haykin, "Neural Networks and Learning Machines", 3ª edizione, Pearson

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

S. M. Rao, "Time Domain Electromagnetics", Academic Press

Risorse complementari:
Goodfellow, Bengio, Courville, "Deep Learning", MIT Press

Krizhevsky et al., "ImageNet Classification with Deep Convolutional Neural Networks", NIPS

Articoli selezionati da riviste scientifiche internazionali, in particolare:

IEEE Trans. on Antennas and Propagation

IEEE Trans. on Microwave Theory and Techniques

IEEE Trans. on Neural Networks and Learning Systems

Nature Machine Intelligence

EPJ Applied Metamaterials

Altri materiali:
Appunti del docente: durante il corso verranno distribuiti appunti e materiali originali, inclusi notebook di calcolo, esempi di codice, schemi concettuali e raccolte di problemi, pensati per supportare lo studio e facilitare l’applicazione pratica degli argomenti trattati.