[docenti-chimica] 1o colloquio interdip. sui nuovi metodi computazionali; S. Chierichini: "CME arrival Modelling with Machine Learning", in L3, 14:30 del 5/2


Cronologico Percorso di conversazione 
  • From: Fabio Peresempio < >
  • To: Docenti Biologia < >, Docenti Chimica < >, Docenti Matematica < >
  • Cc: CERRITO LUCIO < >, Macroarea Scienze < >
  • Subject: [docenti-chimica] 1o colloquio interdip. sui nuovi metodi computazionali; S. Chierichini: "CME arrival Modelling with Machine Learning", in L3, 14:30 del 5/2
  • Date: Wed, 31 Jan 2024 09:38:36 +0100

Ai Proff. Ordinari
Ai Proff. Associati
Ai Ricercatori
________________________

Gentili colleghe/i,

ricevo e vi giro la comunicazione con argomento in oggetto.


Cordialmente,

Prof. Lucio Cerrito
Coordinatore della Macroarea di Scienze MM.FF.NN.



%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

  Carissime/i colleghe/i,
le simulazioni numeriche hanno avuto un enorme impatto sullo sviluppo delle scienze quantitative fin dall'avvento dei Computer. In particolare, negli ultimi anni, sono stati introdotti nuovi metodi computazionali che stanno trasformando (in modo talvolta inaspettato) l'attività di ricerca in parecchi settori scientifici.

Sentiamo la necessità di discutere questi sviluppi recenti a livello trasversale rispetto ai singoli dipartimenti, perché i moderni approcci computazionali vengono efficacemente applicati in tutte le scienze quantitative. Crediamo quindi che in questo ambito il cosiddetto "transfer of knowledge" offra opportunità che sono potenzialmente estremamente vantaggiose.

Per tutte queste ragioni abbiamo intenzione di organizzare un ciclo di seminari sui
 moderni metodi computazionali e
 loro applicazioni in ambito scientifico.
Intendiamo strutturare questi incontri in modo assolutamente NON specialistico, con una presentazione degli argomenti che sia comprensibile anche a tutti coloro che non sono esperti dell'argomento in discussione.
Non mancherà la descrizione di aspetti tecnici delicati, ma questi saranno limitati ai metodi computazionali utilizzati.

La lunghezza del ciclo di seminari, l'estensione e la profondità degli argomenti che verranno discussi dipenderanno in larga misura dall'interesse e dall'entusiasmo che verranno suscitati in tutta la comunità che fa parte della Macroarea di Scienze o le orbita attorno.

Alla fine del messaggio, sono riportati il nome del primo oratore, il titolo e l'abstract del suo seminario.

Gianfranco Bocchinfuso     (Dip. di Scienze e Tecnologie Chimiche),
Michele Buzzicotti         (Dip. di Fisica),
Dario Del Moro             (Dip. di Fisica),
Ugo Locatelli              (Dip. di Matematica),
Blasco Morozzo Della Rocca (Dip. di Biologia),
E Chi Vorrà Aggiungersi    (Dip. di ?!?!)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

 Lunedì 5 febbraio, ore 14:30, aula L3 della Macroarea di Scienze

 Simone Chierichini
   (School of Mathematics and Statistics, Univ. of Sheffield, UK;
    Dip. di Fisica, Univ. di Roma "Tor Vergata"):
         "CME arrival Modelling with Machine Learning"

 Abstract.
Space weather phenomena have long captured the attention of the scientific community and, along with the recent technological developments, the awareness that such phenomena can interfere with human activities on Earth has grown considerably. Coronal Mass Ejections (CMEs) are among the main drivers of space weather. Therefore developing tools to provide information on their arrival at Earth’s nearby space became increasingly important.
Liu et al. (2018) developed a tool, called CAT-PUMA, to obtain fast and accurate predictions of CME transit time. This present work aims at the expansion of the CAT-PUMA concept, employing Supervised Learning to obtain vital information about the arrival of CMEs at Earth.
In this study, we report the results of our work following the implementation of supervised regression and classification models in the CAT-PUMA framework.
We conducted a comparison of various machine learning models in the context of predicting the transit time of CMEs and classifying CMEs as either Earth-impacting or non-impacting.
In this way, we are able to provide information on the possibility of a CME reaching Earth relying on CME features and solar wind parameters measured at take-off. This application thus provides quantitative indications about the geo-effectiveness of these space weather events. While machine learning models can demonstrate a fairly strong performance in regression and classification tasks, it is not always ways straightforward to extrapolate their practical potential and real-world applicability.
To address this challenge, we employed model interpretation techniques, specifically Shap Values, to gain quantitative insights into the limitations that affect these models.




  • [docenti-chimica] 1o colloquio interdip. sui nuovi metodi computazionali; S. Chierichini: "CME arrival Modelling with Machine Learning", in L3, 14:30 del 5/2, Fabio Peresempio

Archivio con motore MhonArc 2.6.16.

§