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

Phase Space Foundations for Scientific Machine Learning

Descrizione del progetto

Intelligenza artificiale interpretabile nello spazio delle fasi

L’apprendimento automatico in ambito scientifico si sta rapidamente spostando da modelli fisici interpretabili a reti neurali altamente parametrizzate, sollevando interrogativi su cosa venga appreso dai dati rispetto alla fisica sottostante. Il progetto PhaseShift, finanziato dal CER, affronta questa lacuna sviluppando una base teorica per un apprendimento automatico scientifico scalabile e interpretabile, fondato sugli spazi delle fasi hamiltoniane e sull’analisi microlocale. Progetta operatori che sfruttano la posizione universale dello spazio delle fasi, migliorando efficienza e stabilità del campione. Introduce inoltre modelli surrogati cinetici nello spazio delle fasi che vanno oltre gli approcci tradizionali basati su equazioni differenziali parziali. Il progetto studia anche le interazioni di scala e i bias induttivi per l’apprendimento di sistemi fisici e dinamiche di serie temporali multivariate. Le applicazioni includono la tomografia crioelettronica, la modellizzazione dei segnali sismici e la previsione del flusso granulare geofisico, contribuendo al progresso delle tecniche di imaging e delle scienze della Terra.

Obiettivo

Science and engineering have long relied on interpretable, parsimonious models of signals and systems. Today there is a shift to highly-parameterized neural networks trained on massive datasets. This often makes it hard to understand what is taken from physics and what from data, and what mechanisms determine when the methods succeed or fail. There is a need for solid foundations for scalable and interpretable scientific machine learning. A key idea is to work in phase spaces inspired by Hamilton’s and Boltzmann’s formalisms. Phase spaces lift problems into higher-dimensional representations but in return render descriptions of a broad range of phenomena simple and interpretable. They reveal the universal local structure which is key for efficient computation, learning, and interpretability. In PhaseShift, we will: - Develop theory and designs for operators that leverage the universal Hamiltonian structure underlying applications from tomography to fluid flows, as described by microlocal analysis. We will prove that phase-space locality significantly improves sample efficiency and Lipschitz stability over existing networks. - Introduce a new generation of interpretable surrogate models built on discrete kinetic phase spaces, going well beyond PDE-based physics to phenomena like granular flows where classic PDEs do not suffice. We will also adapt kinetic theory principles to model general multivariate time series - Study of the role of scale interactions in both data and physics, and the related inductive biases for learning physics. In parallel, we will apply the developed tools to outstanding challenges in imaging and Earth science: end-to-end learning for cryoelectron tomography to visualize cells at near-atomic resolution, kinetic modeling of multistation seismic signals, and learning the dynamics of geophysical granular flows.

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-COG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

UNIVERSITAT BASEL
Contributo netto dell'UE
€ 1 995 957,00
Indirizzo
PETERSPLATZ 1
4051 Basel
Svizzera
Regione
Schweiz/Suisse/Svizzera Nordwestschweiz Basel-Stadt
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 995 957,00

Beneficiari (1)