Sintesi del progetto
OASIS punta a rendere più veloci e dettagliate le simulazioni di sciami di particelle prodotti dai raggi cosmici nell’atmosfera, intervenendo sia sui modelli fisici sia sull’efficienza computazionale. Il lavoro prepara il terreno a simulazioni più robuste e confrontabili con i dati osservativi.
Obiettivi
Il progetto mira a individuare i colli di bottiglia inerenti i tempi di esecuzione delle simulazioni di sciami di particelle prodotti dai raggi cosmici nell’atmosfera, ottimizzare i codici, integrare modelli fisici più accurati, e predisporre l’uso esteso di GPU e metodologie AI-driven per la fase predittiva e di accelerazione.
Problemi e necessità
L’utilizzo di codici non disponibili in open-source e la carenza di competenze specialistiche per l’ottimizzazione dei codici limitano l’evoluzione dei workflow dedicati all’implementazione delle simulazioni. L crescita dei dataset e la complessità degli sciami impongono inoltre infrastrutture HPC per mantenere tempi di calcolo accettabili e compatibili con futuri scenari exascale.
Soluzioni sviluppate
Il progetto ha definito la geometria atmosferica e le specie primarie di particelle generate, verificato la consistenza degli spettri di particelle secondari e strutturato un’analisi di efficienza dei moduli della simulazione per orientare le ottimizzazioni. Sono quindi state pianificate estensioni su GPU e l’adozione di acceleratori AI per velocizzare la simulazione mantenendo fedeltà fisica.
Impatti
L’ottimizzazione di OASIS abilita analisi più rapide nella fisica astro particellare e fornisce metodi trasferibili ad altri domini, dove il miglioramento dell’efficienza di codice ha impatti diretti su costi e tempi. I risultati saranno impiegati per il confronto tra simulazioni e osservazioni di raggi cosmici in atmosfera.
Settori di applicazione
Oltre all’Astrofisica delle particelle, le ottimizzazioni sviluppate in OASIS sono trasferibili ai domini del Future HPC e del Software Engineering, nonché contesti Industriali data-intensive in cui servono riduzione dei tempi di calcolo, scalabilità verso GPU ed exascale e impiego di metodologie AI-driven per l’accelerazione dei workflow.
