Stefano Pagani è Professore Associato di Analisi Numerica presso il Dipartimento di Matematica del Politecnico di Milano ed è membro del laboratorio MOX (Modeling and Scientific Computing).
Qual è la tua formazione?
Di formazione sono un ingegnere matematico. Già al liceo ero affascinato dalla possibilità di usare la matematica per affrontare problemi provenienti da diversi contesti ingegneristici, e questa curiosità mi ha portato a scegliere Ingegneria Matematica. È stato poi durante gli studi universitari che mi sono appassionato allo sviluppo di modelli matematici e di metodi numerici per la loro approssimazione: un interesse che, nel tempo, è diventato il fulcro della mia attività di ricerca.
Come è poi evoluta la tua attività di ricerca? Di cosa ti occupi?
La mia attività di ricerca si concentra principalmente sullo sviluppo di metodi numerici avanzati per la modellistica multiscala e multifisica, il scientific machine learning e la medicina computazionale.
Questi tre elementi erano presenti già durante il mio dottorato. Sotto la supervisione del Prof. Alfio Quarteroni e del Dr. Andrea Manzoni, ho sviluppato tecniche di riduzione dimensionale per modelli numerici utilizzati per la quantificazione dell’incertezza e la soluzione di problemi inversi in elettrofisiologia cardiaca. L’obiettivo era rendere più efficiente il processo di personalizzazione di modelli differenziali parametrizzati a partire dai dati.
Dopo un periodo come post-doc presso l’Istituto di Matematica dell’École Polytechnique Fédérale de Lausanne (EPFL), in Svizzera, ho avuto l’opportunità di tornare al Politecnico di Milano grazie al progetto ERC iHEART del Prof. Quarteroni. Questo progetto mi ha permesso di collaborare a stretto contatto con cardiologi elettrofisiologi e di confrontarmi con gli aspetti più traslazionali della ricerca. Insieme abbiamo ottenuto risultati rilevanti nella comprensione di alcuni meccanismi patologici legati alle aritmie e nella definizione di nuovi biomarcatori per valutare la propensità aritmica del substrato cardiaco.
Non ti occupi solo di applicazioni cardiache, ma anche cerebrali. Ci racconti il tuo percorso in questo ambito?
Il mio interesse per le applicazioni in ambito cerebrale è nato nel 2022, quando la Professoressa Paola F. Antonietti mi ha coinvolto nelle attività del progetto BraiNum. Il progetto ha come obiettivo lo sviluppo di modelli matematici, metodi numerici e tecniche di scientific machine learning per studiare il funzionamento fisiologico e patologico del cervello e del sistema nervoso centrale. Le applicazioni spaziano dallo studio dei processi neurodegenerativi a quello delle alterazioni dell’attività elettrica cerebrale, comprese le loro interazioni con i processi metabolici e vascolari. Inoltre, in collaborazione con il Prof. Federico Pessina e il Dr. Gabriele Capo di Humanitas Research Hospital, il team di ricerca si occupa della modellazione della biomeccanica della colonna vertebrale e della dinamica dei gliomi.
Parallelamente, in collaborazione con il Dr. Giuseppe Di Fede, neurologo della Fondazione IRCCS Istituto Neurologico Carlo Besta, abbiamo sviluppato modelli di scientific machine learning in grado di elaborare dati multimodali dei pazienti e predire l’evoluzione dei principali biomarcatori associati al decadimento cognitivo nella malattia di Alzheimer. Il potenziale applicativo di questo approccio è stato riconosciuto nell’ambito della sedicesima edizione di Switch2Product del Politecnico di Milano, e il progetto è tuttora in fase di sviluppo.
Sempre in questo ambito, a breve prenderà il via il progetto roADmap, che mi vede coinvolto insieme ai ricercatori della Fondazione IRCCS Istituto Neurologico Carlo Besta Anna Nigri e Davide Fedeli. All’interno del progetto, recentemente finanziato dal Ministero della Salute nell’ambito del bando Ricerca Finalizzata 2024, svilupperemo nuovi modelli matematici per caratterizzare l’interazione tra alterazioni neurobiologiche macroscopiche e anomalie nella distribuzione dei neurotrasmettitori lungo il continuum della malattia di Alzheimer.
Come ti sei trovato a lavorare in team multidisciplinari?
Lavorare a stretto contatto con esperti di discipline diverse è una delle sfide che più mi motivano nel lavoro di ricerca. In applicazioni mediche, ogni nuovo problema richiede un importante lavoro iniziale di allineamento, in cui bisogna trovare un punto di incontro tra la questione clinica e gli strumenti matematici a nostra disposizione. La soluzione deve quasi sempre trovare un equilibrio tra accuratezza ed efficienza computazionale: se vogliamo che un modello possa essere utilizzato in un contesto clinico, deve fornire una risposta in tempi compatibili (ad esempio, con quelli di un intervento).
Credo che questo principio valga, più in generale, per moltissime applicazioni della matematica, dove tempo e risorse sono tipicamente limitati. Sfide analoghe si incontrano, ad esempio, nella costruzione di modelli matematici per supportare il monitoraggio e il controllo automatico delle missioni spaziali, tema di un progetto che mi vede coinvolto insieme al Prof. Nicola Parolini e a un team interdisciplinare che riunisce competenze del Laboratorio MOX, dell’Agenzia Spaziale Europea e di Thales Alenia Space Italia.
Dalla ricerca alla didattica: cosa hai portato di queste esperienze all’interno dei corsi che insegni?
Le diverse collaborazioni e i diversi progetti di ricerca in cui sono stato coinvolto hanno ispirato il corso “Scientific Computing Tools for Advanced Mathematical Modelling”, nel quale gli studenti delle lauree magistrali in Ingegneria Matematica e High Performance Computing sono chiamati a proporre soluzioni originali a piccoli progetti basati su problemi provenienti da ambiti ingegneristici differenti. È un corso molto interattivo, fatto di progetti, checkpoint e presentazioni, ed è particolarmente gratificante vedere crescere negli studenti la consapevolezza che gli strumenti acquisiti durante il percorso di studi permettono loro di orientarsi in problemi complessi e di costruire soluzioni originali.
Agli studenti di oggi e di domani cosa consigli?
Di coltivare la propria curiosità in ogni situazione. Il percorso di crescita è spesso tortuoso, fatto di salite e discese, e credo che si impari almeno tanto dai propri errori quanto dai successi. Nella ricerca, in particolare, i tentativi che non portano al risultato sperato sono parte del percorso. Imparare a comprenderli e a trasformarli in nuove direzioni di ricerca è una delle competenze più importanti che possiamo acquisire.
Cosa ti aiuta a trovare un equilibrio tra carriera accademica e vita personale?
Da studente i miei genitori mi hanno sempre incoraggiato a privilegiare nelle mie scelte ciò che mi appassionava davvero. Oggi considero quell’incoraggiamento ancora più prezioso: avere la fortuna di fare il lavoro che mi piace mi aiuta ad affrontare ogni giorno con energia e spirito positivo. La ricerca tende facilmente a occupare la testa giorno e notte, ma fortunatamente mia moglie e la mia piccola figlia mi aiutano a ritrovare il giusto equilibrio.