Matematica e Statistica

Dinamiche Disordinate in Alte Dimensioni: Connessioni con Matrici Casuali e Machine Learning

by

Dinamiche Disordinate in Alte Dimensioni: Connessioni con Matrici Casuali e Machine Learning

Un nuovo studio esplora le dinamiche dei sistemi ad alta dimensionalità, guidati da matrici casuali, con particolare attenzione alle applicazioni nei modelli di apprendimento e generalizzazione nel machine learning. L’articolo, pubblicato su arXiv (arXiv:2601.01010v2), utilizza metodi come la teoria del campo medio dinamico (DMFT) e gli integrali di percorso per analizzare il comportamento di questi sistemi complessi.

La ricerca si concentra su come caratterizzare il comportamento di un sistema ad alta dimensionalità come un processo stocastico per ogni singolo sito del sistema. La DMFT, un framework flessibile, permette di descrivere il sistema attraverso funzioni di correlazione e risposta a due tempi. Vengono esplorate le connessioni tra i risolventi di matrici casuali e la risposta DMFT per sistemi lineari tempo-invarianti. L’applicazione di questi concetti a modelli di machine learning, come il gradient flow, il stochastic gradient descent e le reti neurali lineari profonde, permette di analizzare le decomposizioni di bias e varianza.

Lo studio indaga anche come i sistemi lineari guidati da matrici casuali non hermitiane possono mostrare curve di perdita non monotone durante l’addestramento, a differenza delle matrici hermitiane con spettri simili. Infine, fornisce descrizioni asintotiche delle dinamiche di perdita per reti neurali lineari profonde inizializzate casualmente, addestrate con dati ad alta dimensionalità. In questo caso, la struttura di invarianza temporale si perde e i pesi degli strati nascosti sono caratterizzati come matrici casuali a picchi.

Paper: ArXiv.org

Reservoir Computing di Nuova Generazione per l’Inferenza Dinamica

by

Nuova frontiera nel Reservoir Computing per la modellazione di sistemi dinamici

Un recente studio pubblicato su arXiv (arXiv:2509.11338v3) presenta un’innovativa implementazione del reservoir computing di nuova generazione (NGRC) per la modellazione di sistemi dinamici, utilizzando dati di serie temporali. Questo metodo, semplice e scalabile, si basa su una proiezione non lineare pseudo-casuale degli input incorporati nel tempo, permettendo di scegliere la dimensione dello spazio delle caratteristiche indipendentemente dalla dimensione dell’osservazione. L’approccio si configura come un’alternativa flessibile alle proiezioni NGRC basate sui polinomi.

I ricercatori hanno dimostrato l’efficacia del metodo su compiti di riferimento, tra cui la ricostruzione di attrattori e la stima di diagrammi di biforcazione, utilizzando misurazioni parziali e rumorose. Un aspetto interessante è che piccole quantità di rumore di misurazione durante l’addestramento fungono da efficace regolarizzatore, migliorando la stabilità autonoma a lungo termine rispetto alla semplice regressione standard. I modelli sviluppati si sono dimostrati stabili su lunghi periodi e capaci di generalizzare oltre i dati di addestramento.

Questo framework offre un controllo esplicito dello stato del sistema durante la previsione, proprietà che lo rendono ideale per applicazioni come la modellazione surrogata e le applicazioni di digital twin. La ricerca apre nuove prospettive per la simulazione e la previsione di fenomeni complessi, con potenziali applicazioni in diversi campi della scienza e dell’ingegneria.

Paper: ArXiv.org

Le reti multistrato caratterizzano i modelli di mobilità umana per settore industriale durante la tempesta invernale del Texas del 2021

by

Studio rivela modelli di mobilità durante la tempesta invernale del Texas del 2021

Un nuovo studio, pubblicato su arXiv (2509.03642), esplora i modelli di mobilità umana durante la tempesta invernale del Texas del 2021, utilizzando reti multistrato. La ricerca, condotta per migliorare la pianificazione delle emergenze e la gestione dei disastri, ha analizzato i movimenti tra diverse aree geografiche (census tracts) e categorie industriali (scuole, ospedali, ecc.).

I risultati mostrano una significativa riduzione degli spostamenti verso servizi sanitari ambulatoriali, ristoranti e scuole. Al contrario, è stata osservata una priorizzazione degli spostamenti verso negozi di alimentari e stazioni di servizio. Lo studio ha anche esaminato la prevedibilità dei movimenti in entrata e in uscita dai census tracts, rivelando che i movimenti in entrata sono più difficili da prevedere, soprattutto durante la tempesta.

Questi risultati offrono importanti indicazioni per le decisioni legate alla mobilità durante eventi meteorologici estremi. La comprensione di come le persone si muovono e quali settori vengono prioritizzati può aiutare a migliorare le strategie di risposta alle emergenze e la gestione delle risorse.

Paper: ArXiv.org

Previsioni del Calore Estremo diurno e notturno a Parigi

by

Previsioni del Calore Estremo diurno e notturno a Parigi

Un recente studio pubblicato su arXiv (arXiv:2508.12886v4) esplora l’applicazione dell’apprendimento statistico quantile per prevedere le temperature dell’aria estreme a Parigi. La ricerca, condotta utilizzando i dati della stazione meteorologica di Paris-Montsouris, si concentra sulla previsione dei valori Q(.90) sia diurni che notturni, ovvero il 90° percentile delle temperature. Questo approccio, definito come una forma di “piccola IA”, si concentra sull’identificazione delle temperature più elevate e rare, piuttosto che tentare di prevedere direttamente l’inizio e la fine delle ondate di calore.

I ricercatori hanno utilizzato otto indicatori meteorologici disponibili quotidianamente, con un ritardo di 14 giorni, per creare previsioni a due settimane di distanza. L’utilizzo di modelli di previsione conformi ha permesso di quantificare l’incertezza delle previsioni con proprietà di validità comprovate. I risultati ottenuti per le temperature diurne e notturne sono promettenti, offrendo misurazioni affidabili dell’incertezza. Questo approccio offre importanti benefici per le politiche e le pratiche future, fornendo strumenti avanzati per la gestione del rischio legato alle ondate di calore nella capitale francese.

Lo studio dimostra come l’apprendimento statistico quantile possa essere uno strumento prezioso per la previsione del clima, in particolare per eventi estremi come le ondate di calore, consentendo una migliore preparazione e risposta.

Paper: ArXiv.org

Come il Meccanismo di adeguamento del carbonio alle frontiere sta dinamizzando il mercato europeo del carbonio e la trasformazione industriale

by

Il Meccanismo di adeguamento del carbonio alle frontiere (CBAM) e il mercato europeo del carbonio

Il mercato globale del carbonio è frammentato e caratterizzato da una limitata trasparenza dei prezzi e da prove empiriche, creando sfide per gli investitori e i responsabili politici nell’identificare le opportunità di gestione del carbonio. L’Unione Europea è tra le diverse regioni che hanno implementato la fissazione dei prezzi delle emissioni attraverso un sistema di scambio di quote di emissioni (EU ETS).

Sebbene l’EU ETS abbia contribuito alla riduzione delle emissioni, ha anche sollevato preoccupazioni relative alla competitività internazionale e alla rilocalizzazione delle emissioni di carbonio, in particolare data la forte integrazione delle industrie dell’UE nelle catene del valore globali. Per affrontare queste sfide, la Commissione Europea ha proposto il Meccanismo di adeguamento del carbonio alle frontiere (CBAM) nel 2021.

Il CBAM è progettato per operare insieme all’EU ETS applicando un prezzo del carbonio a determinate merci importate, allineando così i costi del carbonio tra produttori nazionali ed esteri. Sostituirà gradualmente le attuali misure di mitigazione della rilocalizzazione delle emissioni di carbonio, inclusa l’assegnazione di quote gratuite nell’ambito dell’EU ETS. L’ambito iniziale del CBAM comprende energia elettrica, cemento, fertilizzanti, alluminio, ferro e acciaio. Con l’intensificarsi delle politiche climatiche nell’ambito dell’Accordo di Parigi, ci si aspetta che meccanismi simili al CBAM svolgano un ruolo sempre più importante nella gestione dei rischi commerciali legati al carbonio e nel sostegno alla transizione verso emissioni nette zero.

Paper: ArXiv.org

Sistemi di comunicazione semantica senza formazione abilitati con modelli di diffusione generativa

by

Nuova frontiera nella comunicazione semantica: modelli di diffusione generativa senza formazione

La comunicazione semantica (SemCom) sta emergendo come un paradigma promettente per i sistemi wireless di prossima generazione. Grazie all’intelligenza artificiale (IA), SemCom ha mostrato miglioramenti significativi nella qualità ed efficienza della trasmissione. Tuttavia, i sistemi SemCom esistenti richiedono un’ampia formazione su grandi set di dati e condizioni di canale specifiche, oppure soffrono di un degrado delle prestazioni in presenza di rumore del canale quando operano senza formazione.

Per affrontare queste sfide, i ricercatori stanno esplorando l’uso dei modelli di diffusione generativa (GDM) come sistemi SemCom senza formazione. In particolare, è stato progettato un metodo di codifica e decodifica semantica basato sull’inversione e il campionamento del modello implicito di diffusione denoising (DDIM). Questo approccio introduce un processo di diffusione in avanti a due stadi, diviso tra trasmettitore e ricevitore per migliorare la robustezza contro il rumore del canale.

Inoltre, sono stati ottimizzati i passaggi di campionamento per compensare l’aumento del livello di rumore causato dal rumore del canale. Le simulazioni sul set di dati Kodak dimostrano che il sistema proposto supera i sistemi SemCom di base esistenti in diverse metriche. Questo approccio innovativo apre nuove prospettive per sistemi di comunicazione più efficienti e resilienti, eliminando la necessità di lunghi processi di formazione e adattandosi dinamicamente alle variazioni del canale.

Paper: ArXiv.org

Compressione Markoviana: Guardare al Passato per Accelerare il Futuro

by

Nuova Ricerca Rivela un Avanzamento nella Compressione dei Dati per l’Ottimizzazione Distribuita

Un nuovo studio pubblicato su arXiv (arXiv:2601.05398v1) presenta un approccio innovativo alla compressione dei dati per l’ottimizzazione distribuita, mirando a migliorare l’efficienza e ridurre i colli di bottiglia nella comunicazione. La ricerca propone una famiglia di schemi di compressione basati su catene di Markov, dove l’aleatorietà dei compressori dipende dalle iterazioni precedenti.

Gli autori hanno implementato questi compressori nell’algoritmo Quantized Stochastic Gradient Descent (QSGD) e, per aumentare ulteriormente l’efficienza e la velocità di convergenza, nella versione QSGD accelerata con momento. I risultati ottenuti offrono una solida base teorica, coprendo casi non convessi, Polyak-Lojasiewicz e fortemente convessi. L’applicazione pratica è stata dimostrata su problemi di ottimizzazione distribuita data-parallel, utilizzando i dataset CIFAR-10 e GLUE con i modelli Resnet-18 e DeBERTaV3.

I risultati sperimentali evidenziano la superiorità dei metodi che utilizzano questa nuova tecnica di compressione rispetto agli schemi esistenti. Questa ricerca potrebbe avere implicazioni significative per l’ottimizzazione di modelli di machine learning distribuiti, aprendo la strada a prestazioni più rapide ed efficienti in una vasta gamma di applicazioni.

Paper: ArXiv.org