Advanced Computing and Electromagnetics

L’Area di Ricerca Advanced Computing and Electromagnetics, con le sue due Unità di Ricerca, si dedica a tre topics:
- attività di ricerca applicata nei temi dell’ Advance Computing, nello specifico allo studio e alla realizzazione di infrastrutture distribuite di calcolo basate su piattaforma Cloud computing (AWS, Openstack) attraverso soluzioni di tipo pubblico, privato e ibrido, studio architetture low power ad alta performance, data e resources management su architetture eterogenee;
- attiività di ricerca applicata nei temi dello sviluppo di attività teoriche e sperimentali su antenne, design e prototipazione di antenne, compatibilità elettromagnetica ed elettromagnetismo applicato, con particolare esperienza nell’ambito dell’elettromagnetismo computazionale;
- attività di ricerca applicata nel contesto dei algoritmi di data mining per l’analisi big data and extreme scale analysis.

I focus e temi principali sul tema del Advance Computing sono:
• Architetture low power ad alta performance
• Soluzioni hardware/software microdatacenter low power computing e low power communication
• Machine learning: CNN
• Accelerazione di applicazioni deep learning (CNN, BNN) su architetture riconfigurabili (FPGA)
• Porting di applicazioni su framework OpenCL per l'accelerazione hardware tramite FPGA (Intel/Altera) e GPU • Analisi e sviluppo di applicazioni (machine learning, HPC-embedded, etc.) su architetture many-core ad alta efficienza energetica.

I focus e temi principali sul tema dell'elettromagnetismo computazionale sono:
• Design e prototipazione di antenne
• Simulazione e modellizzazione elettromagnetica
• Metamateriali
• Fast solver per applicazioni CEM
• Strategie di comunicazione Low Power  
• Tools per la diagnostica e misure di antenne

I focus e temi principali in ambito distributed database sono:
• Distributed Data model design for heterogeneous data sources in Big data application context
• Fine-grained real time analysis and prediction of buildings thermal energy consumption using data from smart meters
• Ontological modeling of cultural heritage data from heterogeneous sources for NLP
• Characterization of user interests from social networks data (e.g., about cultural heritage)
• Big Data distributed processing engines: Apache Spark, MongoDB clusters with MapReduce
• Relational and NoSQL databases, RDF Triple Stores • Machine Learning frameworks: Spark MLLib, scikit-learn, R, Rapid Miner
• Supervised learning algorithms: regression and classification (ANN, SVM, Decision Tree, Random Forest, LR-SGD); unsupervised learning algorithms: clustering, association rules mining