Sintesi e caratterizzazione di polimeri per l’ottica non lineare

L'osservazione di diversi fenomeni ottici come la generazione della seconda o della terza armonica (generazione di luce con frequenza raddoppiata (SHG) o generazione di luce con frequenza triplicata (THG)) quando un materiale interagisce con una sorgente ad alta intensità, ha portato ad un crescente interesse per le proprietà ottiche non lineari (NLO). Questi ed altri fenomeni ottici non lineari potrebbero essere impiegati per aumentare le prestazioni dei dispositivi optoelettronici e fornire soluzioni per progettare nuovi metamateriali funzionali. L'impiego di sistemi polimerici contenenti gruppi funzionali con caratteristiche NLO rappresenta una sfida per migliorare tali proprietà e la loro lavorabilità. In questo lavoro, è stata sviluppata una strategia sintetica per ottenere un cromoforo con struttura donatore-accettore-donatore (D-A-D), dove la simmetria dei dipoli (push-pull-push) può potenzialmente fornire proprietà NLO del terzo ordine. Attraverso una sintesi multistep è stato sintetizzato il monomero a base metacrilica con il cromoforo NLO, successivamente copolimerizzato con lo stirene per aumentare la lavorabilità del polimero. Il polimero ed il monomero saranno impiegati per preparare cristalli fotonici. Inoltre, verrà effettuata un'ampia caratterizzazione per approfondire le proprietà ottiche e quindi per ottimizzare i dispositivi finali.

Latent representations for traditional music analysis and generation

We create and study a generative model for Irish traditional music based on Variational Autoencoders and analyze the learned latent space trying to find musically significant correlations in the latent codes' distributions in order to perform musical analysis on data. We train two kinds of models: one trained on a dataset of Irish folk melodies, one trained on bars extrapolated from the melodies dataset, each one in five variations of increasing size. We conduct the following experiments: we inspect the latent space of tunes and bars in relation to key, time signature, and estimated harmonic function of bars; we search for links between tunes in a particular style (i.e. "reels'") and their positioning in latent space relative to other tunes; we compute distances between embedded bars in a tune to gain insight into the model's understanding of the similarity between bars. Finally, we show and evaluate generative examples. We find that the learned latent space does not explicitly encode musical information and is thus unusable for musical analysis of data, while generative results are generally good and not strictly dependent on the musical coherence of the model's internal representation.