Artificial Intelligence FOR Electromagnetic Technologies

1. Introduzione all’intelligenza artificiale per l’ingegneria elettromagnetica
La prima parte introduce il ruolo dell’intelligenza artificiale nell’analisi, modellazione, progettazione e ottimizzazione di dispositivi e sistemi elettromagnetici per le telecomunicazioni.
2. Fondamenti di machine learning e modelli statistici
La seconda unità è dedicata ai principali algoritmi di apprendimento automatico, con attenzione alla loro interpretazione, ai dati di addestramento, alla scelta delle feature, alla validazione e ai criteri di valutazione delle prestazioni.
3. Reti neurali e deep learning per applicazioni elettromagnetiche
La terza parte tratta l’impiego di reti neurali e modelli di deep learning per la previsione di parametri elettromagnetici e per la modellazione di dispositivi e sistemi complessi.
4. AI per progettazione e ottimizzazione di dispositivi elettromagnetici
La quarta unità riguarda l’utilizzo di tecniche di intelligenza artificiale per la progettazione assistita e l’ottimizzazione di antenne, metamateriali, circuiti RF e componenti per le telecomunicazioni.
5. Integrazione dell’AI nei workflow simulativi
La quinta parte approfondisce l’integrazione dei modelli di AI con metodi numerici e strumenti di simulazione elettromagnetica, con attenzione alla riduzione del costo computazionale e alla generalizzabilità dei risultati.
6. Affidabilità, limiti e uso critico dei modelli predittivi
L’ultima parte è dedicata alla valutazione critica dei modelli addestrati, considerando qualità e quantità dei dati, complessità computazionale, robustezza, affidabilità dei risultati e limiti epistemologici dell’intelligenza artificiale nei contesti scientifici e ingegneristici.

Per affrontare con profitto il corso è fortemente consigliato che lo studente possieda conoscenze pregresse nei seguenti ambiti:

Fondamenti di Elettromagnetismo
Conoscenza delle equazioni di Maxwell, condizioni al contorno, onde piane, linee di trasmissione, antenne e propagazione elettromagnetica. È auspicabile la familiarità con strumenti di calcolo numerico in elettromagnetismo (es. metodo degli elementi finiti, metodo dei momenti, FDTD).

Matematica applicata e statistica
Padronanza di analisi matematica, algebra lineare, variabili aleatorie, processi stocastici, e nozioni base di ottimizzazione.

Fondamenti di programmazione
Esperienza pregressa nell’utilizzo di linguaggi di programmazione adatti all’analisi numerica e all’elaborazione dati, quali Python, MATLAB o Mathematica. È richiesto saper gestire strutture dati, cicli, funzioni, grafici e file di input/output.

Basi di apprendimento automatico (machine learning)
Anche se il corso fornirà un’introduzione ai principali paradigmi dell’intelligenza artificiale, è utile avere familiarità con concetti quali classificazione, regressione, clustering, reti neurali e overfitting.

Conoscenza dell’inglese tecnico-scientifico
Poiché il corso sarà erogato interamente in lingua inglese e farà uso di materiale tecnico internazionale, è richiesta una comprensione fluente dell’inglese scritto e orale.

I testi e i materiali didattici saranno forniti dal docente oppure indicati, durante lo svolgimento del corso, tra risorse disponibili in open access. Il materiale comprenderà dispense, appunti delle lezioni, esercizi, documentazione tecnica e riferimenti utili per l’approfondimento degli argomenti trattati.

La didattica si svolge prevalentemente mediante lezioni frontali in aula, dedicate alla presentazione dei fondamenti teorici dell’intelligenza artificiale e delle relative applicazioni alle tecnologie elettromagnetiche. Le lezioni integrano la discussione dei modelli fisici ed elettromagnetici con l’illustrazione dei principali metodi di apprendimento automatico e con lo svolgimento guidato di esempi applicativi.

Gli argomenti sono introdotti progressivamente, evidenziando i passaggi matematici essenziali, il significato fisico dei risultati e le modalità di formulazione dei problemi elettromagnetici in termini compatibili con gli strumenti di intelligenza artificiale. Particolare attenzione è dedicata alla selezione e alla rappresentazione dei dati, all’addestramento e alla validazione dei modelli, nonché alla valutazione critica delle loro prestazioni, dei limiti e dell’affidabilità.

La didattica comprende inoltre esercitazioni svolte dal docente, finalizzate a mostrare l’impiego dei metodi presentati in semplici problemi di analisi, modellazione e progetto di dispositivi e sistemi elettromagnetici. Strumenti software per il calcolo scientifico, l’apprendimento automatico e la simulazione elettromagnetica possono essere utilizzati a supporto delle spiegazioni e delle dimostrazioni, senza configurare attività di laboratorio obbligatorie.

La frequenza al corso non è obbligatoria, ma e' fortemente consigliata.
La partecipazione attiva alle lezioni, alle esercitazioni e alle attività progettuali consente di acquisire più efficacemente le competenze teoriche e pratiche previste dal programma, nonché di interagire direttamente con il docente durante l’approfondimento degli argomenti trattati.

La valutazione si articola in tre componenti principali:

Prova scritta: consiste in una serie di quesiti teorici e applicativi sugli argomenti trattati a lezione, finalizzati a verificare la comprensione dei concetti fondamentali, la capacità di applicare metodi di intelligenza artificiale a problemi elettromagnetici, e la padronanza del linguaggio tecnico.

Progetto individuale o di gruppo: sviluppo e discussione di un progetto originale che impieghi modelli di intelligenza artificiale per l’analisi o la progettazione in ambito elettromagnetico (es. antenne, metamateriali, segnali RF). La presentazione del progetto avverrà in forma orale e sarà oggetto di valutazione approfondita.

Valutazione continua: partecipazione attiva alle lezioni, svolgimento delle esercitazioni assegnate, eventuali presentazioni intermedie. In alcuni casi potrà essere proposta anche una prova scritta intermedia.

La valutazione finale tiene conto della correttezza tecnica, della chiarezza espositiva, della capacità di ragionamento critico, dell’originalità delle soluzioni proposte, e della completezza del progetto.