Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Reliable Cause-Effect Quantification in Complex Dynamical Systems for Socially Beneficial Policies

Descrizione del progetto

Modelli più intelligenti per guidare la politica

Per informare le politiche utilizzando modelli migliori, è importante comprendere i legami di causa-effetto quando si affrontano problematiche di matrice globale come i cambiamenti climatici, l’assistenza sanitaria e le pandemie. I modelli attuali sono talvolta troppo semplicistici in tal senso, mentre l’apprendimento automatico può mancare della trasparenza necessaria per le applicazioni politiche. Il progetto DYNAMICAUS, finanziato dal CER, si propone di sviluppare metodi volti a inferire relazioni causali affidabili in sistemi dinamici misti integrando teoria, misure di incertezza e raccolta attiva dei dati. Questi metodi saranno testati utilizzando modelli climatici, piani di trattamento medico e simulazioni di diffusione delle malattie in modo da garantire un’ampia applicabilità. Integrando considerazioni etiche sin dalla prima fase, il progetto prende in considerazione l’impatto generato sulla società e offre strumenti intesi a prendere decisioni ben informate, con l’obiettivo finale di stabilire uno standard a livello di orientamento politico.

Obiettivo

Tackling critical global challenges – climate change, personalized healthcare, or pandemic preparedness – demands robust quantification and understanding of 'if-then' relationships in complex spatio-temporal systems. Traditional dynamical models are limited by oversimplifications and computational constraints, while powerful hybrid models leveraging machine learning (ML) lack the interpretability and generalization capabilities essential for entrusting them with policy guidance. Filling this glaring research gap, DYNAMICAUS develops novel methods for reliable causal inference in such systems, overcoming existing limitations. I will establish a theoretical foundation for causal effects in hybrid dynamical models, develop robust uncertainty quantification techniques under unseen interventions augmented by active data acquisition to reduce uncertainty, and quantify the overall impact of steerable inputs on target outcomes. My methods will be validated across critical domains – climate modeling, treatment planning, and epidemic simulations – demonstrating universal applicability and profound potential for informing policy on pressing societal challenges. By integrating an ethicist directly into the research process from the outset, I proactively address societal implications, ensuring my methodological advancements are positioned to achieve positive social impact. With my unparalleled track record of leveraging machine learning expertise for social good by pushing the boundaries in scientific applications as well as my pioneering work on extending the scope of causal inference and hybrid dynamical systems modeling, this timely project is uniquely positioned to break new ground at the intersection of dynamical systems, causality, and socially beneficial machine learning.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2025-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

HELMHOLTZ ZENTRUM MUENCHEN DEUTSCHES FORSCHUNGSZENTRUM FUER GESUNDHEIT UND UMWELT GMBH
Contributo netto dell'UE
€ 1 045 695,00
Indirizzo
INGOLSTADTER LANDSTRASSE 1
85764 Neuherberg
Germania
Regione
Bayern Oberbayern München, Landkreis
Tipo di attività
Research Organisations
Collegamenti
Costo totale
€ 1 045 695,00

Beneficiari (2)