Sono Junior Assistant Professor in Analisi Numerica presso il Laboratorio MOX (Modeling and Scientific Computing) del Dipartimento di Matematica, Politecnico di Milano.
Ho conseguito la laurea magistrale in Ingegneria Matematica, con specializzazione in “Computational Science and Engineering”, presso il Politecnico di Milano. Durante il master ho trascorso sei mesi come studente erasmus presso l’Università Sorbonne di Parigi. Questo periodo è stato un’esperienza preziosa che mi ha permesso di ampliare notevolmente i miei orizzonti accademici e personali. Dopo la laurea, ho iniziato uno stage nel risk advisory team di Ernst&Young, una tra le società di consulenza “big four”. Nel novembre 2017, ho intrapreso un percorso di dottorato in “Mathematical Models and Methods in Engineering” presso il MOX, nell’ambito del European Research Council (ERC) Advanced Grant Project iHEART, sotto la supervisione del Prof. Alfio Quarteroni. Da allora, la mia attività di ricerca si è concentrata sulle tecniche di riduzione computazionale, o modelli di ordine ridotto (ROM), per la risoluzione di problemi differenziali complessi dipendenti da diversi parametri legati alle proprietà fisiche e geometriche del sistema. Esiste infatti una pressante necessità di alternative veloci ed ecologiche all’uso massiccio di risorse HPC per calcolare la soluzione di modelli ad alta fedeltà (ad esempio, agli elementi finiti).
In particolare, ho sviluppato una nuova classe di ROM non lineari non intrusivi basati su algoritmi di deep learning (DL), chiamati DL-ROM, che hanno dimostrato la capacità di calcolare la soluzione di problemi differenziali in tempo reale, un miglioramento significativo rispetto alle ore o ai giorni richiesti dai metodi numerici standard. Questi modelli sono stati applicati a diversi problemi di fluidodinamica e alla sua interazione con la meccanica solida, all’elettrofisiologia cardiaca, alla meccanica cardiaca e ad applicazioni relative ai sistemi microelettromeccanici (MEMS).
La mia ricerca si concentra sul scientific machine learning, con particolare attenzione alla costruzione di modelli surrogati basati su deep learning e alla teoria dell’approssimazione di reti neurali. In particolare, utilizzo algoritmi di deep learning per creare modelli surrogati che approssimano in modo accurato ed efficiente il comportamento di sistemi complessi, concentrandomi sulle loro basi matematiche e sulla loro giustificazione.
Ricordo che quando nel 2017 sono apparsi i primi articoli di scientific machine learning, questi sono stati accolti con notevole scetticismo dalla comunità scientifica. Questo scetticismo derivava in gran parte dal fatto che i metodi proposti, basati su reti neurali “black-box”, mancavano di una rigorosa giustificazione matematica. Tradizionalmente, il percorso dell’analisi numerica è stato quello di sviluppare innanzitutto la teoria matematica, comprese stime degli errori, analisi di convergenza e stabilità, prima di applicare questi metodi a problemi reali. Tuttavia, nel caso del scientific machine learning, l’approccio è stato invertito: i ricercatori hanno iniziato ad applicare gli algoritmi di deep learning in vari domini, ottenendo risultati impressionanti, prima di concentrarsi sulla teoria dell’approssimazione sottostante. È importante notare che le reti neurali hanno una base matematica (molto complessa), solo che questa base è attualmente in fase di esplorazione.
Sette anni dopo essere tornata in università per iniziare il dottorato, sono felice di aver fatto questa scelta perché la ricerca mi permette di esprimere la mia curiosità verso ciò che non conosco, di usare la mia creatività nell’individuare una soluzione a problemi irrisolti, e quindi di contribuire al progresso nella conoscenza e all’innovazione tecnologica. La naturale curiosità per gli approcci innovativi, la capacità di diffondere il proprio lavoro e le proprie scoperte e l’attitudine alla collaborazione, insieme all’ambizione e alla dedizione nel risolvere problemi reali, qualificano in modo unico un ricercatore per dare un contributo significativo nel raggiungimento dell’obiettivo di proporre nuovi metodi computazionali con un incredibile potenziale di impatto sulla società.
Il mio consiglio per gli studenti che stanno per completare gli studi? Mentre studiate, cercate di scoprire le vostre vere passioni. Cercate le aree nelle quale riuscite a “perdervi” senza rendervi conto che il tempo sta passando. L’istruzione universitaria non dovrebbe essere una corsa contro il tempo; piuttosto, dovrebbe favorire non solo lo sviluppo di un solido background per intraprendere il proprio percorso professionale, ma anche intraprendenza, pensiero critico e fuori dagli schemi, gestione dello stress e capacità di lavorare in modo indipendente. Inoltre, per le giovani studentesse, vorrei aggiungere una nota personale. Come ricercatrice nei settori STEM, non posso negare che lo squilibrio di genere in questi campi rimane un problema urgente, con le donne significativamente sottorappresentate in vari settori. Oltre alle difficoltà intrinseche che caratterizzano i ruoli tecnici, le donne affrontano anche l’inevitabile ostacolo di vivere in un mondo che spesso fatica ad accettare la loro affermazione. Vorrei infondere un messaggio di coraggio, determinazione e forza nei confronti di posizioni lavorative che possono apparire complesse e impegnative per le donne. Vorrei incoraggiare la perseveranza e sottolineare l’importanza delle competenze e delle conoscenze come ingredienti chiave per costruire una carriera basata sul merito, non sul genere. Le competenze e l’impegno apriranno la strada al successo, mentre la perseveranza contribuirà ad abbattere le barriere ancora esistenti.