Georges Lemaître: a visionary contribute to the quest of the world model

The aim of this dissertation is to present the sequence of events which brought the scientific community of the early 20th century to conceive an expanding Universe born from a single origin. Among the facts here reported, some are well-known, some others instead are little-known backstories, not so easy neither to obtain nor to trust. Indeed, several matters shown in this thesis, now as then, create a battleground among scientists. Amid the numerous personalities whose contributions are discussed in this work, the main protagonist is surely Georges Lemaître, who managed to combine – without overlapping – his being both a priest and a scientist. The first chapter is dedicated to his biography, from his childhood in Belgium, to his early adulthood between England and the USA, to his success in the scientific community. The second and the third chapter explain how the race to the understanding of a Universe which not only expands, but also originated from a singularity, developed. The Belgian priest’s discoveries, as shown, were challenged by other important scientists, who, in several cases, Lemaître had a friendly relationship with. As a consequence, the fourth and final chapter deals with the multiple relations that the priest managed to build, thanks to his politeness and kindness. Moreover, it is also covered Lemaître’s personal connection with the Church and religion, without forgetting the personalities that influenced him – above all, Saint Thomas Aquinas. As a conclusion to this thesis, two appendices gather not only a summary of Lemaître’s works which are not already described in the chapters, but also the biographies of all the characters presented in this dissertation.

Reti Neurali Ricorrenti per la generazione di musica simbolica

Il Deep Learning ha radicalmente trasformato il mondo del Machine Learning migliorando lo stato dell'arte in diversi campi che spaziano dalla computer vision al natural language processing. Non fermandosi a problemi di classificazione, negli ultimi anni, applicazioni di tipo generativo hanno portato alla creazione di immagini realistiche e documenti letterali. Il mondo della musica non è esente da una moltitudine di esperimenti nello stesso campo, con risultati ancora acerbi ma comunque potenzialmente interessanti. In questa tesi verrà discussa l'applicazione di un di modello appartenente alla famiglia del Deep Learning per la generazione di musica simbolica.

A next-to-leading order calculation of the impact of primordial magnetic fields into cosmological observables

In this thesis, we perform a next-to-leading order calculation of the impact of primordial magnetic fields (PMF) into the evolution of scalar cosmological perturbations and the cosmic microwave background (CMB) anisotropy. Magnetic fields are everywhere in the Universe at all scales probed so far, but their origin is still under debate. The current standard picture is that they originate from the amplification of initial seed fields, which could have been generated as PMFs in the early Universe. The most robust way to test their presence and constrain their features is to study how they impact on key cosmological observables, in particular the CMB anisotropies. The standard way to model a PMF is to consider its contribution (quadratic in the magnetic field) at the same footing of first order perturbations, under the assumptions of ideal magneto-hydrodynamics and compensated initial conditions. In the perspectives of ever increasing precision of CMB anisotropies measurements and of possible uncounted non-linear effects, in this thesis we study effects which go beyond the standard assumptions. We study the impact of PMFs on cosmological perturbations and CMB anisotropies with adiabatic initial conditions, the effect of Alfvén waves on the speed of sound of perturbations and possible non-linear behavior of baryon overdensity for PMFs with a blue spectral index, by modifying and improving the publicly available Einstein-Boltzmann code SONG, which has been written in order to take into account all second-order contributions in cosmological perturbation theory. One of the objectives of this thesis is to set the basis to verify by an independent fully numerical analysis the possibility to affect recombination and the Hubble constant.

Quantum information and quantum communication theory in relation to black hole idealized mechanical models

Oggigiorno il concetto di informazione è diventato cruciale in fisica, pertanto, siccome la migliore teoria che abbiamo per compiere predizioni riguardo l'universo è la meccanica quantistica, assume una particolare importanza lo sviluppo di una versione quantistica della teoria dell'informazione. Questa centralità è confermata dal fatto che i buchi neri hanno entropia. Per questo motivo, in questo lavoro sono presentati elementi di teoria dell'informazione quantistica e della comunicazione quantistica e alcuni sono illustrati riferendosi a modelli quantistici altamente idealizzati della meccanica di buco nero. In particolare, nel primo capitolo sono forniti tutti gli strumenti quanto-meccanici per la teoria dell'informazione e della comunicazione quantistica. Successivamente, viene affrontata la teoria dell'informazione quantistica e viene trovato il limite di Bekenstein alla quantità di informazione chiudibile entro una qualunque regione spaziale. Tale questione viene trattata utilizzando un modello quantistico idealizzato della meccanica di buco nero supportato dalla termodinamica. Nell'ultimo capitolo, viene esaminato il problema di trovare un tasso raggiungibile per la comunicazione quantistica facendo nuovamente uso di un modello quantistico idealizzato di un buco nero, al fine di illustrare elementi della teoria. Infine, un breve sommario della fisica dei buchi neri è fornito in appendice.

Variational Quantum Splines: Moving Beyond Linearity for Quantum Activation Functions

Activation functions within neural networks play a crucial role in Deep Learning since they allow to learn complex and non-trivial patterns in the data. However, the ability to approximate non-linear functions is a significant limitation when implementing neural networks in a quantum computer to solve typical machine learning tasks. The main burden lies in the unitarity constraint of quantum operators, which forbids non-linearity and poses a considerable obstacle to developing such non-linear functions in a quantum setting. Nevertheless, several attempts have been made to tackle the realization of the quantum activation function in the literature. Recently, the idea of the QSplines has been proposed to approximate a non-linear activation function by implementing the quantum version of the spline functions. Yet, QSplines suffers from various drawbacks. Firstly, the final function estimation requires a post-processing step; thus, the value of the activation function is not available directly as a quantum state. Secondly, QSplines need many error-corrected qubits and a very long quantum circuits to be executed. These constraints do not allow the adoption of the QSplines on near-term quantum devices and limit their generalization capabilities. This thesis aims to overcome these limitations by leveraging hybrid quantum-classical computation. In particular, a few different methods for Variational Quantum Splines are proposed and implemented, to pave the way for the development of complete quantum activation functions and unlock the full potential of quantum neural networks in the field of quantum machine learning.

A novel approach to Non-Orthogonal Random Access with application to NB-IoT NTN systems

In the Massive IoT vision, millions of devices need to be connected to the Internet through a wireless access technology. However, current IoT-focused standards are not fully prepared for this future. In this thesis, a novel approach to Non-Orthogonal techniques for Random Access, which is the main bottleneck in high density systems, is proposed. First, the most popular wireless access standards are presented, with a focus on Narrowband-IoT. Then, the Random Access procedure as implemented in NB-IoT is analyzed. The Non-Orthogonal Random Access technique is presented next, along with two potential algorithms for the detection of non-orthogonal preambles. Finally, the performance of the proposed solutions are obtained through numerical simulations.

Optimized methods to digital survey and 3D modelling of cultural heritage assets

Currently making digital 3D models and replicas of the cultural heritage assets play an important role in the preservation and having a high detail source for future research and intervention. In this dissertation, it is tried to assess different methods for digital surveying and making 3D replicas of cultural heritage assets in different scales of size. The methodologies vary in devices, software, workflow, and the amount of skill that is required. The three phases of the 3D modelling process are data acquisition, modelling, and model presentation. Each of these sections is divided into sub-sections and there are several approaches, methods, devices, and software that may be employed, furthermore, the selection process should be based on the operation's goal, available facilities, the scale and properties of the object or structure to be modeled, as well as the operators' expertise and experience. The most key point to remember is that the 3D modelling operation should be properly accurate, precise, and reliable; therefore, there are so many instructions and pieces of advice on how to perform 3D modelling effectively. It is an attempt to compare and evaluate the various ways of each phase in order to explain and demonstrate their differences, benefits, and drawbacks in order to serve as a simple guide for new and/or inexperienced users.

Il ruolo dell'intelligenza artificiale nelle Neuroscienze

Negli ultimi anni, grazie al progresso tecnologico e ad una sempre maggior disponibilità di grosse moli di dati, l'Intelligenza Artificiale è letteralmente esplosa, arrivando ad abbracciare diversi domini, tra cui quello delle Neuroscienze. In questa tesi si illustra quindi quale sia l'attuale ruolo che l'Intelligenza Artificiale (IA) assume nelle Neuroscienze. La tesi inizia con un capitolo introduttivo volto a fornire delle nozioni di base relative all'IA, utili per comprendere al meglio i successivi capitoli. Nel secondo capitolo vengono forniti degli esempi sugli ambiti di utilizzo dell'IA nelle Neuroscienze: in ogni esempio vi è una parte introduttiva, volta a descrivere il contesto, seguita da una parte in cui, riportando uno o più recenti articoli scientifici, si descrivono i benefici che quell'ambito può trarre dall'utilizzo dell'IA. Infine, nel terzo capitolo, seguendo lo stesso schema degli esempi del secondo capitolo, si approfondisce il ruolo dell'IA nella Salute Mentale, concentrandosi principalmente sull'aspetto patologico e, più precisamente, sui vantaggi che l'IA può apportare nella prevenzione, diagnosi e trattamento del Disturbo Depressivo Maggiore (DDM) e dei Disturbo dello Spettro Autistico (DSA).

Studio di tecniche di estrazione del segnale per barioni Λc+ ricostruiti nell’esperimento ALICE

Le recenti analisi dei dati raccolti ad ALICE dimostrano che la nostra comprensione dei fenomeni di adronizzazione dei sapori pesanti è ancora incompleta, perché le misure effettuate su collisioni pp, p-Pb e Pb-Pb non sono riproducibili da modelli teorici basati su altre tipologie di collisione come e+e−. In particolare, i risultati sembrano indicare che il principio di universalità, che assume che le funzioni di frammentazione di quark e gluoni siano indipendenti dal tipo di sistema interagente, non sia valido. Per questo motivo sono stati sviluppati nuovi modelli teorici e fenomenologici, capaci di riprodurre in modo più o meno accurato i dati sperimentali. Questi modelli differiscono tra di loro soprattutto a bassi valori di impulso trasverso pT . L’analisi dati a basso pT si rivela dunque di fondamentale importanza, in quanto permette di discriminare, tra i vari modelli, quelli che sono realmente in grado di riprodurre i dati sperimentali e quelli che non lo sono. Inoltre può fornire una conferma sperimentale dei fenomeni fisici su cui tale modello si basa. In questa tesi è stato estratto il numero di barioni Λ+c (yield ) prodotto in collisioni pp a √s = 13 TeV , nel range di impulso trasverso 0 < pT (Λ+c ) < 1 GeV/c. É stato fatto uso di una tecnica di machine learning che sfrutta un algoritmo di tipo Boosted Decision Trees (BDT) implementato dal pacchetto TMVA, al fine di identificare ed eliminare una grossa parte del fondo statistico e semplificare notevolmente l’analisi vera e propria. Il grado di attendibilità della misura è stata verificata eseguendo l’estrazione dello yield con due approcci diversi: il primo, modellando il fondo combinatoriale con una funzione analitica; successivamente con la creazione di un template statistico creato ad hoc con la tecnica delle track rotations.

Many-body approach to the BCS-BEC crossover for an imbalanced ultra-cold Fermi gas

The aim of this thesis is the study of the normal phase of a mass imbalanced and polarized ultra-cold Fermi gas in the context of the BCS-BEC crossover, using a diagrammatic approach known as t-matrix approximation. More specifically, the calculations are implemented using the fully self-consistent t-matrix (or Luttinger- Ward) approach, which is already experimentally and numerically validated for the balanced case. An imbalance (polarization) between the two spin populations works against pairing and superfluidity. For sufficiently large polarization (and not too strong attraction) the system remains in the normal phase even at zero temperature. This phase is expected to be well described by the Landau’s Fermi liquid theory. By reducing the spin polarization, a critical imbalance is reached where a quantum phase transition towards a superfluid phase occurs and the Fermi liquid description breaks down. Depending on the strength of the interaction, the exotic superfluid phase at the quantum critical point (QCP) can be either a FFLO phase (Fulde-Ferrell-Larkin-Ovchinnikov) or a Sarma phase. In this regard, the presence of mass imbalance can strongly influence the nature of the QCP, by favouring one of these two exotic types of pairing over the other, depending on whether the majority of the two species is heavier or lighter than the minority. The analysis of the system is made by focusing on the temperature-coupling-polarization phase diagram for different mass ratios of the two components and on the study of different thermodynamic quantities at finite temperature. The evolution towards a non-Fermi liquid behavior at the QCP is investigated by calculating the fermionic quasi-particle residues, the effective masses and the self-energies at zero temperature.

Predicting corticospinal excitability from pre-TMS EEG using convolutional neural networks

The amplitude of motor evoked potentials (MEPs) elicited by transcranial magnetic stimulation (TMS) of the primary motor cortex (M1) shows a large variability from trial to trial, although MEPs are evoked by the same repeated stimulus. A multitude of factors is believed to influence MEP amplitudes, such as cortical, spinal and motor excitability state. The goal of this work is to explore to which degree the variation in MEP amplitudes can be explained by the cortical state right before the stimulation. Specifically, we analyzed a dataset acquired on eleven healthy subjects comprising, for each subject, 840 single TMS pulses applied to the left M1 during acquisition of electroencephalography (EEG) and electromyography (EMG). An interpretable convolutional neural network, named SincEEGNet, was utilized to discriminate between low- and high-corticospinal excitability trials, defined according to the MEP amplitude, using in input the pre-TMS EEG. This data-driven approach enabled considering multiple brain locations and frequency bands without any a priori selection. Post-hoc interpretation techniques were adopted to enhance interpretation by identifying the more relevant EEG features for the classification. Results show that individualized classifiers successfully discriminated between low and high M1 excitability states in all participants. Outcomes of the interpretation methods suggest the importance of the electrodes situated over the TMS stimulation site, as well as the relevance of the temporal samples of the input EEG closer to the stimulation time. This novel decoding method allows causal investigation of the cortical excitability state, which may be relevant for personalizing and increasing the efficacy of therapeutic brain-state dependent brain stimulation (for example in patients affected by Parkinson’s disease).

Planning Processes for Transport Solutions An Application To the City of Bologna

Mathematical models and the involved methods applied to real contexts are essential tools for designing and evaluating solutions concerning physical elements and/or organizational components of transportation systems. To deal with this, the systems engineering approach is used, which considers the relationships among the transportation system elements and their performances. This approach allows quantifying the effects of transportation projects by taking into account the intrinsic complexity of the transportation system and then assessing the effects of solutions to solve – or mitigate – transportation problems. This thesis focuses on the application of the transport system engineering approach to a real city – Bologna, in northern Italy – in order to: 1. simulate the current transportation system conditions (status quo); 2. compare and assess the results obtained by two different approaches for simulating the link traffic flows on the road transportation network and their related impacts (externalities) 3. identify potential solutions to solve critical aspects, particularly in terms of traffic flow congestion and related environmental impacts (findings)

Manutenzione predittiva dei giunti mediante tecnologie di Intelligenza Artificiale per la prevenzione dei guasti nelle reti di distribuzione in MT

Lo scopo dell’elaborato è quello di valutare una prima applicazione di intelligenza artificiale per svolgere manutenzione predittiva sui giunti installati nella rete di distribuzione, al fine di prevenirne i guasti. L’estensione delle reti in cavo è infatti in costante aumento per supportare lo sviluppo della rete elettrica e, per l’installazione di nuove linee o nella manutenzione di cavi, si fa uso di giunti, spesso soggetti a guasti e di difficile manutenzione. Risulta quindi importante svolgere manutenzione predittiva su questi componenti, al fine di prevenirne i guasti ed ottenere un risparmio in termini di tempo e denaro. A seguito un’attenta analisi della struttura dei giunti, dei loro modi di guasto e dei parametri caratteristici, si è proceduto alla generazione sintetica di un dataset contenente misure sui giunti e, sulla base di specifici criteri applicati a questi valori, l’informazione sulla presenza o sull’assenza di un guasto. Il dataset è stato poi utilizzato per la fase di apprendimento e di test di sei algoritmi di machine learning, selezionati a partire da considerazioni sullo stato dell’arte, valutato tramite una Revisione Sistematica della Letteratura (SLR). I risultati così ottenuti sono stati analizzati tramite specifiche metriche e da questo caso di studio sono emerse le elevate potenzialità delle tecnologie di intelligenza artificiale ai fini della prevenzione dei guasti nelle reti di distribuzione, soprattutto se considerata la semplicità implementativa degli algoritmi.

Il doppiaggio e il linguaggio giuridico inglese nella serie “How to Get Away with Murder”

Per lo scopo di questa tesi mi sono concentrata sull’analisi del doppiaggio della prima stagione della serie TV statunitense "How to Get Away with Murder". Ho scelto di soffermarmi in modo particolare sul doppiaggio delle espressioni tipiche del linguaggio giuridico americano, dello slang e del titolo. Il presente elaborato è composto di quattro capitoli. Il primo riguarda la trama, l’idea del produttore, le tematiche, il responso del pubblico e un breve riassunto di una video-recensione di un avvocato americano che analizza l’“accuratezza legale” della serie. Tutti noi italiani siamo abituati a vedere il sistema giudiziario americano così come raffigurato in TV: processo in tribunale in presenza di un giudice e di una giuria. Nel secondo capitolo, infatti, mi soffermerò proprio su questo aspetto e sulle differenze sostanziali che distinguono l’ordinamento americano e italiano. Il terzo capitolo riguarda il doppiaggio, mentre l’ultimo è l’analisi vera e propria del doppiaggio della serie. Il capitolo è suddiviso in altri sotto capitoli e ognuno di essi si sofferma su una categoria di elementi nello specifico che ho deciso di analizzare durante la visione della serie in italiano. La serie in Italia è stata distribuita con un titolo italiano, per cui, ho trovato anche interessante tentare di capire quali fattori abbiano portato i distributori a prendere questa scelta e quali effetti questo possa avere sugli spettatori. Il lavoro si è svolto nel seguente modo: prima ho guardato la serie in lingua originale, poi ho rivisto gli stessi episodi in italiano.

Valutazione sperimentale di approcci di TinyML per problemi di classificazione: un caso di studio con Arduino Nano 33 BLE

Il TinyMachineLearning (TinyML) è un campo di ricerca nato recentemente che si inserisce nel contesto dell’Internet delle cose (IoT). Mentre l’idea tradizionale dell’IoT era che i dati venissero inviati da un dispositivo locale a delle infrastrutture cloud per l’elaborazione, il paradigma TinyML d’altra parte, propone di integrare meccanismi basati sul Machine Learning direttamente all’interno di piccoli oggetti alimentati da microcontrollori (MCU ). Ciò apre la strada allo sviluppo di nuove applicazioni e servizi che non richiedono quindi l’onnipresente supporto di elaborazione dal cloud, che, come comporta nella maggior parte dei casi, consumi elevati di energia e rischi legati alla sicurezza dei dati e alla privacy. In questo lavoro sono stati svolti diversi esperimenti cercando di identificare le sfide e le opportunità correlate al TinyML. Nello specifico, vengono valutate e analizzate le prestazioni di alcuni algoritmi di ML integrati in una scheda Arduino Nano 33 BLE Sense, attraverso un framework TinyML. Queste valutazioni sono state effettuate conducendo cinque diversi macro esperimenti, ovvero riconoscimento di Colori, di Frequenze, di Vibrazioni, di Parole chiave e di Gesti. In ogni esperimento, oltre a valutare le metriche relative alla bontà dei classificatori, sono stati analizzati l’occupazione di memoria e il tasso di inferenza (tempo di predizione). I dati utilizzati per addestrare i classificatori sono stati raccolti direttamente con i sensori di Arduino Nano. I risultati mostrano che il TinyML può essere assolutamente utilizzato per discriminare correttamente tra diverse gamme di suoni, colori, modelli di vibrazioni, parole chiave e gesti aprendo la strada allo sviluppo di nuove promettenti applicazioni sostenibili.