Sintesi del progetto
EARN-DATA affronta le inefficienze nella gestione dei dati di custodia titoli e nei processi di pianificazione finanziaria, introducendo tecniche avanzate di AI, Big Data e simulazioni stocastiche per automatizzare riconciliazione, classificazione e ottimizzazione del patrimonio. Il progetto migliora l’accessibilità ai servizi di wealth management, tradizionalmente riservati a investitori ad alto patrimonio, democratizzando strumenti come il Direct Indexing tramite soluzioni scalabili e data-driven.
Obiettivi
FaDER sviluppa nuove tecniche per ridurre e selezionare in tempo reale i dati prodotti dagli esperimenti di fisica delle particelle ad alta intensità. Il progetto introduce una pipeline compressa per l’acquisizione dati e algoritmi di Machine Learning capaci di riconoscere rapidamente le collisioni più rilevanti sfruttando CPU, GPU e FPGA in modo integrato.
Problemi e necessità
Esperimenti come il Large Hadron Collider (LHC) del Cern producono quantità di dati sempre maggiori, rendendo indispensabile selezionare solo gli eventi significativi e comprimere il resto. La sfida è ottenere efficienza e rapidità senza perdere informazione utile per la ricerca di nuova fisica.
Soluzioni sviluppate
Il progetto ha realizzato i primi dimostratori di pipeline compressa e prototipi basati su Machine Learning per identificare proprietà degli eventi prodotti in esperimenti simili a LHC. Sono stati addestrati modelli, Convolutional Neural Nertwork e Transformer su sistemi GPU accelerati. Le risorse HPC hanno permesso la produzione di dati sintetici e l’addestramento su dataset molto estesi basati su informazioni di basso livello dei rivelatori.
Impatti
FaDER aumenta l’efficienza del data taking e accelera l’analisi di processi rari, contribuendo direttamente al progresso della fisica fondamentale. Le tecniche di pattern recognition veloce e data reduction possono essere riutilizzate in altri esperimenti ad alta intensità e in contesti dove è necessario reagire rapidamente a grandi flussi di dati.
Settori di applicazione
Le principali ricadute riguardano la Fisica delle Alte Energie, con possibili contributi anche nei più ampi ambiti dell’Intelligenza Artificiale, del Supercalcolo e della Software Engineering e allo sviluppo sistemi di analisi real-time in ambito industriale e scientifico.
