Cascade call per la ricerca, i vincitori del bando dello Spoke 9

intelligenza artificiale

Oggi vi presentiamo i progetti vincitori delle cascade call (i bandi a cascata FAIR) dello spoke 9, coordinato dall’Università della Calabria (affiliati CNR e Deloitte).


Cosa sono i bandi a cascata?

Nel «Bando per la creazione di Partenariati estesi alle università, ai centri di ricerca, alle aziende per il finanziamento di progetti di ricerca di base» incluso tra le misure di ricerca in filiera del Piano Nazionale di Ripresa e Resilienza (PNRR), e pubblicato dal ministero dell’Università e della Ricerca (MUR) nel mese di marzo 2022 è prevista, da parte degli Spoke che compongono i Partenariati estesi, l’emanazione di bandi per la concessione a soggetti esterni al Partenariato di finanziamenti per attività di ricerca e per l’acquisto di forniture, beni e servizi necessari alla sua attuazione.

I primi bandi a cascata emessi da FAIR sono stati riservati a progetti di ricerca svolti da Università Statali, Università non Statali legalmente riconosciute ed accreditate dal MUR e Enti Pubblici di Ricerca vigilati dal MUR, per un budget di 18 milioni di Euro divisi tra i dieci spoke che compongono il progetto. Una seconda tranche di finanziamenti, ancora aperta, è invece riservata ai bandi a cascata per micro, piccole, medie e grandi imprese.


I vincitori del bando per lo Spoke 9

Lo spoke 9 concentra la sua attività di ricerca sulla Green-aware AI: l’obiettivo è definire una nuova generazione di sistemi e algoritmi di intelligenza artificiale, in cui – indipendentemente dallo specifico dominio applicativo considerato – la dimensione green sarà considerata “by design”.

Questi i progetti vincitori del bando emesso dallo spoke 9, per una dotazione finanziaria complessiva di 2.269.752,95 € distribuiti su 13 obiettivi di ricerca:


Models and Algorithms relying on knowledge Graphs for sustainable Development goals monitoring and Accomplishment – MAGDA
Coordinatore del Progetto: Prof. Simona Ester Rombo, Università degli Studi di Palermo
Negli ultimi anni è stata rivolta una grande attenzione alla sostenibilità globale e alle relative esigenze chiave. Le attività del progetto forniranno contributi alla ricerca di base per la soluzione sia di problemi fondamentali legati ai Knowledge Graphs e alla sostenibilità, sia di questioni più applicative legate alla realizzazione di specifici SDGs. Lo sviluppo del progetto beneficerà delle competenze multidisciplinari del team di ricerca, che spaziano dalla progettazione e analisi di algoritmi, all’integrazione e gestione dei big data, alla bioinformatica, all’Internet delle cose e alla medicina. Alcuni dei membri del team hanno ruoli di responsabilità presso il Centro per la Sostenibilità e la Transizione Ecologica dell’Università di Palermo e collaborano con prestigiosi istituti di ricerca internazionali (ad esempio, IBM J Watson, New York, USA).


Enhanced Network of intelligent Agents for Building Livable Environments – ENABLE
Coordinatore del Progetto: Prof. Stefania Costantini, Università degli Studi – L’Aquila
L’obiettivo generale del progetto è quello di gettare le basi di un nuovo paradigma che può essere definito “Città Olistica” e sarà incentrato sul miglioramento dell’esperienza di vita complessiva dei cittadini e sulle risposte ai loro bisogni organizzativi, fisici, cognitivi ed emotivi nel contesto delle risorse, delle capacità e degli obiettivi della città, intesa come entità organizzata ma anche come organismo vitale. L’attenzione si concentra sul miglioramento delle condizioni di vita dei cittadini, salvaguardando i valori etici e gli obiettivi locali e globali della città, tra cui il risparmio energetico e idrico e la mitigazione dell’inquinamento. In una città olistica, i sistemi di intelligenza artificiale (AI) possono svolgere utilmente il ruolo di attori degni di nota, prendendosi cura degli esseri umani e promuovendo interazioni vantaggiose per loro.


Smart Knowledge-Driven Environmental and Territorial Monitoring – SKET-Monitor
Coordinatore del Progetto: Prof. Luca Pulina, Università degli Studi di Sassari
La crescente urbanizzazione in Italia e in Europa, unita alla diminuzione delle risorse e all’impatto dei cambiamenti climatici, ha messo in luce la vulnerabilità delle città e delle loro periferie. Molte città italiane hanno affrontato sfide significative nella gestione delle emergenze e delle reti di servizi e questo ha reso necessaria la progettazione di sistemi integrati e strategie di gestione che diano priorità alla salvaguardia, alla valorizzazione e all’apprezzamento del patrimonio culturale e naturale. I sistemi intelligenti di monitoraggio ambientale sono fondamentali per comprendere e prevedere gli scenari che interessano i territori e le comunità, oltre che per formulare politiche di prevenzione dei rischi e garantire una gestione territoriale e urbana efficiente e sicura. Il progetto SKET-Monitor risponde a queste esigenze studiando le tecniche di KR&R, integrandole con strumenti ICT per il monitoraggio ambientale intelligente. L’obiettivo è proteggere le aree vulnerabili preservando il loro potenziale turistico. Attualmente, nessuna soluzione tecnologica esistente soddisfa pienamente questi requisiti di innovazione. Le amministrazioni pubbliche locali, che devono affrontare sfide di gestione e controllo, sono interessate a quelle soluzioni che mancano nelle applicazioni attualmente disponibili. Il progetto SKET-Monitor vuole colmare questa lacuna studiando e sviluppando un sistema intelligente di monitoraggio e gestione dei dati.

Green Deep Learning approaches to Clinical AI – NAEL
Coordinatore del Progetto: Prof. Francesco Carlo Morabito, Università degli Studi di Reggio Calabria
L’intelligenza artificiale green per le applicazioni cliniche si concentra sullo sviluppo di soluzioni di IA sostenibili dal punto di vista ambientale ed efficienti dal punto di vista energetico, per affrontare le sfide e i requisiti unici delle strutture sanitarie. Questo approccio vuole ridurre l’impatto ambientale e l’impronta di carbonio delle tecnologie di intelligenza artificiale, mantenendo o migliorando la loro efficienza ed efficacia nel supportare i processi clinici. In questo contesto, il progetto proporrà un ventaglio di strategie innovative che abbracciano la maggior parte degli aspetti rilevanti dell’apprendimento automatico e profondo (ML/DL) e dell’artefatto dell’IA: approcci di meta-apprendimento per la messa a punto di iper-parametri e per ridurre la necessità di grandi insiemi di dati (few-shot learning); apprendimento e distribuzione all’edge per ridurre al minimo il consumo energetico e affrontare i problemi di privacy; pre-elaborazione intelligente dei dati per non apprendere ciò che è già noto, utilizzando strategie avanzate di elaborazione del segnale; questioni di spiegabilità e interpretabilità per migliorare l’accuratezza e la robustezza e allo stesso tempo fornire ragioni comprensibili per le decisioni dell’IA; soluzioni a bassa tecnologia per svolgere complessi modelli spazio-temporali per generare alberi decisionali interpretabili con semplici modelli grafici”.

Machine Learning for Bioinformatics – FAIR-BIOINFORMATICS
Coordinatore del Progetto: Prof. Mario Cannataro, Università degli studi Magna Graecia di Catanzaro
L’obiettivo è quello di progettare, implementare e sperimentare nuovi algoritmi di AI bio-informatica e text mining green-aware, riguardanti l’analisi di reti biologiche e biomediche multi-strato e l’analisi di testi biomedici (in particolare topic modeling, named entity recognition e polarity detection). Gli algoritmi saranno sperimentati rispettivamente su reti multi-strato che mettono in relazione malattie, farmaci e geni, e per analizzare pubblicazioni bio-informatiche, rapporti medici e questionari dei pazienti. Le attività di ricerca previste comprendono l’Attività 1, che riassumerà e analizzerà i principali lavori correlati ed eseguirà un’analisi dei requisiti per gli algoritmi di bio-informatica e text mining di AI green-aware; e l’Attività 2, che riguarda la progettazione, l’implementazione e la sperimentazione di questi algoritmi di bio-informatica e text mining di AI green-aware nei campi dell’analisi delle reti e dell’analisi dei testi.

Existence, Complexity and efficiency of stable solutions in green-Oriented GAMES – EcoGames
Coordinatore del Progetto: Luca Moscardelli, Università degli Studi G. d’Annunzio Chieti-Pescara
Questo progetto di ricerca mette insieme i campi della teoria dei giochi e della sostenibilità ambientale, con un focus specifico sull’integrazione dell’efficienza energetica nei sistemi formati da agenti egoisti. La prima attività comporta la modifica di modelli classici e la formulazione di nuovi, con l’obiettivo di stabilire modelli di gioco in grado di accogliere vincoli ecologici e di definire concetti appropriati di benessere sociale. La seconda attività si addentra nella complessità delle soluzioni di stabilità all’interno dei giochi green-oriented, esplorandone l’esistenza, la complessità computazionale e l’efficienza. La terza attività prevede un’analisi sperimentale per fornire una convalida dei risultati teorici ottenuti.

Green-Aware MEchanismS – GAMES
Coordinatore del Progetto: Prof. Vittorio Bilò, Università del Salento – Università del Salento – Dip. matematica e fisica
È noto che gli equilibri derivanti dalle interazioni di agenti egoisti e strategici in giochi non cooperativi sono subottimali, rispetto alle soluzioni che potrebbero essere applicate se i giocatori cooperassero. Ciò può essere dovuto a un disallineamento tra gli obiettivi personali degli agenti e la funzione sociale globale che misura la qualità di una soluzione, o semplicemente alla mancanza di coordinamento. L’obiettivo di questo progetto è sviluppare strumenti per migliorare l’efficienza degli equilibri nei giochi, quando la consapevolezza ecologica è una preoccupazione. Ciò può essere declinato sia concentrandosi su funzioni sociali orientate all’ambiente, come l’inquinamento e il consumo energetico, sia assumendo che gli agenti siano consapevoli dell’ambiente. Il nostro scopo è capire in che misura l’efficacia di questi meccanismi dipenda da parametri quali la consapevolezza green degli agenti, la struttura combinatoria del gioco e così via. Con questa conoscenza, un’autorità centrale può valutare il rapporto costi/benefici dei diversi tipi di intervento e prendere decisioni ben informate. Dal punto di vista tecnico, intendiamo arricchire le metodologie già note nel campo, aggiungendo la consapevolezza green alla definizione del comportamento di un agente. Ad esempio, si può ipotizzare che più un agente è consapevole dell’ambiente, più sarà disposto a sacrificare la propria utilità personale a favore di risultati più ecologici (ad esempio, meno inquinanti). Il team del progetto ha una lunga e rinomata esperienza nello sviluppo di meccanismi compatibili con gli incentivi per gli agenti strategici.

Graph Algorithms and MinINg for Green agents – GAMING
Coordinatore del Progetto: Prof. Gianlorenzo D’Angelo, Gran Sasso Science Institute
Si prevede di progettare algoritmi, tecniche e strumenti per l’estrazione di grafi e la progettazione di reti che siano efficienti sia dal punto di vista computazionale che da quello energetico o che producano soluzioni per problemi di pianificazione e progettazione di reti che aiutino a ridurre il consumo energetico di agenti, dispositivi o veicoli mobili in applicazioni rilevanti in cui il consumo energetico è un problema. Il progetto affronta tre delle principali problematiche del settore ed è strutturato in tre attività corrispondenti: analisi di reti di agenti green-aware; progettazione e analisi di algoritmi ad alta efficienza energetica per l’estrazione di grafi; progettazione e analisi di algoritmi per la pianificazione e la progettazione di reti. Sfruttando l’esperienza del team di ricerca del GSSI, il progetto utilizzerà un approccio scientifico che si trova all’intersezione tra progettazione di algoritmi, intelligenza artificiale e data mining. Abbiamo in programma di produrre una libreria di algoritmi con garanzie teoriche e di convalidarli attraverso esperimenti. L’impatto atteso del progetto è duplice: dal punto di vista scientifico, faremo progredire le conoscenze nei campi del graph mining e della progettazione di reti, con particolare attenzione alle reti di agenti green-aware e agli algoritmi efficienti dal punto di vista energetico; dal punto di vista ambientale, i risultati del progetto contribuiranno a ridurre il consumo energetico di agenti, compiti computazionali, dispositivi e veicoli.

Energy-efficient Computation of Graph Edit Distance – ECOGED
Coordinatore del Progetto: Prof. Pasquale De Meo, Università degli Studi di Messina
La Graph Edit Distance (GED) è una potente primitiva per calcolare la somiglianza tra due grafi ed è ampiamente utilizzata in settori quali la computer vision, i database chimici e l’antiriciclaggio. Poiché il calcolo del GED è un problema NP-completo, sono stati proposti molti approcci approssimativi, alcuni basati sull’uso di euristiche e altri sull’apprendimento automatico (ML). Poiché i grafi del mondo reale contengono milioni di nodi, abbiamo bisogno di soluzioni efficienti dal punto di vista energetico per calcolare la GED. La complessità computazionale è lo strumento principale utilizzato per confrontare gli algoritmi, ma può non essere sufficiente: un’euristica può avere una bassa complessità computazionale, ma ogni volta che i grafi di input cambiano, deve rigenerare la soluzione da zero. Al contrario, un algoritmo ML apprende una strategia di soluzione e utilizza le sue capacità per calcolare (quasi istantaneamente) la GED di una coppia di grafi che vede per la prima volta. Un algoritmo ML deve essere scartato se il suo addestramento è computazionalmente costoso. Inoltre, il pre-addestramento è diventato molto popolare negli ultimi anni, ma non è chiaro se migliori l’efficienza di un algoritmo per calcolare il GED. Nel progetto ECOGED, valuteremo l’efficienza energetica di un’ampia gamma di algoritmi su grafi reali e artificiali in base ai criteri di complessità computazionale, generalizzabilità e pre-addestramento definiti sopra. Studieremo anche approcci ibridi che combinano algoritmi euristici e di ML per approssimare accuratamente il GED con un impatto energetico limitato.

A Collaborative Ecosystem for Industry 5.0 – CE4I5.0
Coordinatore del Progetto: Prof. Domenico Ursino, Università Politecnica delle Marche
Questo progetto mira a definire un ecosistema collaborativo per l’Industria 5.0. A tal fine, persegue tre obiettivi principali: (i) definire l’architettura dell’ecosistema, (ii) definire un componente specifico per la personalizzazione di massa e (iii) definire un componente specifico per supportare l’esecuzione di compiti intelligenti. Le metodologie scientifiche applicate al progetto sono quelle tipiche dell’Industria 5.0 e prevedono l’impiego di Intelligenza Artificiale, Internet of Things e automazione industriale intelligente. I suoi principali elementi di innovazione riguardano: (i) l’adozione del paradigma dell’Internet of Everything (IoE), (ii) il modulo di personalizzazione di massa, progettato a beneficio del cliente e per risparmiare beni ed energia, (iii) e il modulo per l’esecuzione intelligente dei compiti, progettato per supportare i lavoratori. Se applicato in un contesto industriale, consente: (i) la perfetta integrazione di individui, dispositivi e sistemi di automazione intelligenti (cobot); (ii) la produzione personalizzata di beni, in base alle esigenze e alle richieste dei clienti, definite applicando tecniche di intelligenza artificiale su una grande quantità di dati dei clienti; (iii) l’uso di tecniche di valutazione dei rischi e dei costi per pianificare l’esecuzione di compiti personalizzati, migliorando l’efficienza e la sicurezza dei lavoratori. Tutti questi benefici si ottengono a costi economici limitati.

Argumentation for Informed Decisions with applications to Energy Consumption in Computing – AIDECC
Coordinatore del Progetto: Prof. Federico Cerutti, Università degli Studi di Brescia
L’obiettivo primario del nostro progetto è quello di migliorare l’efficienza energetica nell’addestramento delle reti neurali attraverso l’integrazione della scoperta causale basata sull’argomentazione e l’apprendimento automatico. Le attività previste comprendono l’approfondimento teorico dell’argomentazione astratta e del suo ruolo nella scoperta causale, l’analisi dettagliata del set di dati Zeus Trace – o di altri rilevanti – e lo sviluppo di modelli causali strutturali per identificare gli interventi di riduzione dell’energia. La metodologia comprende un’analisi rigorosa dei dati, l’applicazione della teoria dell’argomentazione e la costruzione di modelli causali. Lo scopo principale è quello di ottenere un approccio più sostenibile allo sviluppo dell’IA, concentrandosi sulla riduzione del consumo energetico. Questo progetto si allinea perfettamente con il requisito esplicito del programma di ricerca di far progredire la ricerca sull’argomentazione formale, in particolare con le applicazioni che riguardano il consumo energetico del software. Ci siamo concentrati strategicamente sul consumo energetico nell’addestramento delle reti neurali, riconoscendone il notevole impatto ambientale potenziale. Gli elementi di innovazione risiedono nell’integrazione unica dell’argomentazione con la modellazione causale, che fornisce nuove intuizioni sulle dinamiche energetiche delle reti neurali. Per quanto riguarda gli aspetti economici, il progetto mira a ridurre i costi operativi associati all’addestramento dell’intelligenza artificiale. L’impatto di questo progetto va oltre il risparmio energetico, influenzando la sostenibilità ambientale e definendo nuovi standard nel campo della ricerca sull’IA.

Smart Knowledge: Enhancing Argumentation and Abstraction for Explanation and Analysis – SMARTK
Coordinatore del Progetto: Prof. Gianluca Amato, Università degli Studi G. d’Annunzio Chieti-Pescara
Questo progetto si concentra sull’avanzamento delle metodologie e degli strumenti, ponendo l’accento sull’argomentazione, sull’astrazione della conoscenza e sul ragionamento automatizzato. Le attività comprendono lo sviluppo di linguaggi concorrenti, metodologie di modelli per spiegare l’apprendimento automatico e strutture per l’analisi del consumo energetico. I risultati previsti sono prove di concetto, documenti scientifici e strumenti innovativi. Il progetto mira a colmare le lacune della ricerca attuale, contribuendo sia alla conoscenza teorica che alle applicazioni pratiche.

Mechanism Design, Online Learning, Robust Optimization, and Sentiment Extraction Tools for Adjustable Green-Aware Agents – MORE-GREEN
Coordinatore del Progetto: Prof. Diodato Ferraioli, Università di Salerno
Questo progetto mira a fornire strumenti per la progettazione di piani di intervento per incrementare i comportamenti ecologici degli agenti. Tuttavia, i comportamenti degli agenti possono dipendere da molteplici caratteristiche, dalle interazioni tra gli agenti e dall’influenza che essi esercitano l’uno sull’altro. E queste caratteristiche sono spesso sconosciute al progettista, o la loro conoscenza è rumorosa o parziale. In questo progetto utilizzeremo tecniche di sentiment analysis, social (hyper)-network mining per estrarre le caratteristiche rilevanti dai dati osservati dall’interazione degli utenti nelle reti sociali. Utilizzeremo tecniche di apprendimento online per sintonizzare i piani di intervento sulle caratteristiche sconosciute e in evoluzione degli agenti e delle loro interazioni. Utilizzeremo tecniche di progettazione di meccanismi per disegnare incentivi semplici e opportuni che portino gli agenti ad adottare i comportamenti desiderati, indipendentemente dalle loro caratteristiche. Infine, utilizzeremo tecniche di ottimizzazione robusta e di progettazione di algoritmi con previsioni, per progettare interventi che garantiscano buone prestazioni quando le caratteristiche degli agenti sono correttamente note e, allo stesso tempo, che tali prestazioni non si degradino troppo quando gli input sono rumorosi.

Ultime news

Archivi