Il corso si propone di fornire agli studenti una comprensione avanzata delle tecniche di intelligenza artificiale applicate all’ingegneria elettromagnetica, con particolare riferimento all’analisi, modellazione, progettazione e ottimizzazione di dispositivi e sistemi per le telecomunicazioni.
Al termine del corso, lo studente sarà in grado di:
- comprendere e analizzare criticamente i principali algoritmi di apprendimento automatico, con applicazioni specifiche al dominio elettromagnetico;
- implementare modelli di intelligenza artificiale per la previsione di parametri elettromagnetici e per la progettazione assistita di antenne, metamateriali e circuiti RF;
- integrare tecniche di AI nei workflow simulativi basati su metodi numerici;
- valutare le prestazioni dei modelli addestrati in funzione della qualità e quantità dei dati, della complessità computazionale e della generalizzabilità;
- utilizzare strumenti software avanzati per l’addestramento, la validazione e il testing di reti neurali e modelli statistici;
- sviluppare un approccio critico e consapevole all’utilizzo dell’intelligenza artificiale in contesti scientifici e ingegneristici, con attenzione all’affidabilità dei risultati e ai limiti epistemologici dei modelli predittivi.
Al termine del corso, lo studente sarà in grado di:
- comprendere e analizzare criticamente i principali algoritmi di apprendimento automatico, con applicazioni specifiche al dominio elettromagnetico;
- implementare modelli di intelligenza artificiale per la previsione di parametri elettromagnetici e per la progettazione assistita di antenne, metamateriali e circuiti RF;
- integrare tecniche di AI nei workflow simulativi basati su metodi numerici;
- valutare le prestazioni dei modelli addestrati in funzione della qualità e quantità dei dati, della complessità computazionale e della generalizzabilità;
- utilizzare strumenti software avanzati per l’addestramento, la validazione e il testing di reti neurali e modelli statistici;
- sviluppare un approccio critico e consapevole all’utilizzo dell’intelligenza artificiale in contesti scientifici e ingegneristici, con attenzione all’affidabilità dei risultati e ai limiti epistemologici dei modelli predittivi.
scheda docente
materiale didattico
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.
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.
Mutuazione: 20810542 ARTIFICIAL INTELLIGENCE FOR ELECTROMAGNETIC TECHNOLOGIES in Ingegneria elettronica per l'industria e l'innovazione LM-29 TOSCANO ALESSANDRO
Programma
Il corso è organizzato in sei moduli.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.
Testi Adottati
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.
Modalità Frequenza
La frequenza al corso non è obbligatoria, ma e' fortemente consigliata. La partecipazione attiva alle lezioni, alle esercitazioni e alle attività progettuali consente di acquisire più efficacemente le competenze teoriche e pratiche previste dal programma, nonché di interagire direttamente con il docente durante l’approfondimento degli argomenti trattati.Modalità Valutazione
La valutazione si articola in tre componenti principali: Prova scritta: consiste in una serie di quesiti teorici e applicativi sugli argomenti trattati a lezione, finalizzati a verificare la comprensione dei concetti fondamentali, la capacità di applicare metodi di intelligenza artificiale a problemi elettromagnetici, e la padronanza del linguaggio tecnico. Progetto individuale o di gruppo: sviluppo e discussione di un progetto originale che impieghi modelli di intelligenza artificiale per l’analisi o la progettazione in ambito elettromagnetico (es. antenne, metamateriali, segnali RF). La presentazione del progetto avverrà in forma orale e sarà oggetto di valutazione approfondita. Valutazione continua: partecipazione attiva alle lezioni, svolgimento delle esercitazioni assegnate, eventuali presentazioni intermedie. In alcuni casi potrà essere proposta anche una prova scritta intermedia. La valutazione finale tiene conto della correttezza tecnica, della chiarezza espositiva, della capacità di ragionamento critico, dell’originalità delle soluzioni proposte, e della completezza del progetto.