Dalla cattura del carbonio ai big data: nuove pubblicazioni evidenziano la ricerca della comunità del Dipartimento di Eccellenza L'EMbeDS della Scuola Sant'Anna

La ricerca condotta dalla comunità afferente al Dipartimento di Eccellenza L'EMbeDS della Scuola Superiore Sant'Anna continua a crescere, ricevendo riconoscimenti attraverso pubblicazioni su riviste internazionali di alto profilo e negli atti di importanti conferenze. Tra le pubblicazioni più recenti si segnalano studi su argomenti diversi e innovativi, che spaziano dagli impatti delle diverse tecnologie di rimozione del carbonio, all'uso dei big data nelle piccole e medie imprese, agli sviluppi metodologici riguardanti l'analisi di reti e dati funzionali.

Nell'articolo, The public use of early-stage scientific advances in carbon dioxide removal: a science-technology-policy-media perspective, recentemente apparso sulla prestigiosa rivista Environmental Research Letters, Giorgio Tripodi (ex postdoc L'EMbeDS, ora alla Northwestern University di Chicago), Fabrizio Lillo (Scuola Normale Superiore e Università di Bologna) e Roberto Mavilia (Università Bocconi), insieme a Andrea Mina, Francesca Chiaromonte e Francesco Lamperti (tre docenti del Sant'Anna e membri de L'EMbeDS) hanno studiato e confrontato diverse soluzioni di rimozione del biossido di carbonio (CDR). I CDR sono essenziali per raggiungere gli obiettivi dell'Accordo di Parigi e arginare il cambiamento climatico, ma la loro maturità e l'attuale capacità di operare su larga scala sono molto dibattute. Il rapido sviluppo, implementazione e diffusione di queste tecniche richiederà probabilmente il coordinamento di scienza, tecnologia, politica e supporto sociale. L'articolo adotta un approccio bibliometrico per quantificare l'uso pubblico della ricerca, ancora agli albori, nelle tecnologie CDR. Utilizzando tecniche statistiche, gli autori valutano gli impatti dei progressi in otto diverse soluzioni CDR su (i) ulteriore produzione di conoscenza scientifica, (ii) innovazione tecnologica e (iii) scelte politiche e discussione nei media. Il risultato principale è che i progressi nelle tecnologie CDR hanno un valore sociale significativo e generano ricadute positive, ma eterogenee. In particolare, i progressi nella cattura diretta dell’anidride carbonica stimolano ulteriore ricerca e tendono a tradursi in tecnologie brevettabili, mentre il carbonio blu e la bioenergia, attraverso la cattura e lo stoccaggio del carbonio, sembrano guadagnare slancio nella sfera politica e nel dibattito pubblico. Inoltre, la produzione scientifica e le collaborazioni tendono a raggrupparsi geograficamente per tipologia di CDR, influenzando potenzialmente le strategie di rimozione del carbonio a lungo termine. Nel complesso, i risultati suggeriscono l'esistenza di lacune di coordinamento tra scienza, tecnologia, politica e sostegno pubblico. È importante sottolineare che lo studio è stato determinante anche per la ricerca condotta nell'ambito del progetto ERC FIND, coordinato dal Prof. Lamperti.

Nell'articolo What “V” of the big data influence SMEs’ open innovation breadth and depth? An empirical analysis, recentemente apparso sulla rivista di alto profilo R&D Manangement, Giulio Ferrigno, Saverio Barabuffi, Enrico Marcazzan e Andrea Piccaluga (ricercatori e docenti del Sant’Anna appartenenti a L’EMbeDS), affrontano il tema dell’Open Innovation (OI), un paradigma che ha attirato notevole attenzione negli ultimi anni. In particolare, l’articolo esplora l’impatto delle tre "V" dei Big Data -- Volume, Velocità e Varietà -- sulle strategie OI delle piccole e medie imprese (PMI). Infatti, sebbene l'uso dei Big Data sia stato spesso esaminato nel contesto delle imprese high-tech, i suoi effetti sulle PMI e le loro strategie di ricerca in OI non hanno ricevuto altrettanta attenzione. Gli autori colmano questa lacuna con un'analisi quantitativa condotta su un campione di 123 PMI italiane. I risultati suggeriscono che, nelle PMI italiane, i Big Data influenzano significativamente l'ampiezza dell'OI, portando a un aumento delle collaborazioni esterne, ma non la profondità dell'OI. Inoltre, l’impatto varia tra le diverse "V" dei Big Data, suggerendo che alcune caratteristiche hanno un effetto più marcato sulle strategie OI delle PMI. Attraverso questi risultati, lo studio contribuisce alla comprensione dell’interazione esistente tra le caratteristiche dei Big Data e le strategie di innovazione implementate nelle PMI, e apre nuove direzioni di ricerca ed applicazione. 

L'articolo Efficient Network Embedding by Approximate Equitable Partitions, scritto da Giuseppe Squillace, Mirco Tribastone (entrambi in servizio presso IMT), Max Tschaikowski (Aalborg University, Danimarca) e Andrea Vandin (docente della Scuola Sant'Anna e membro de L’EMbeDS), costituisce un importante esempio di collaborazione tra istituzioni di ricerca toscane e partner internazionali. Lo studio è apparso recentemente negli atti della prestigiosa IEEE International Conference on Data Mining (ICDM), un'importante conferenza informatica considerata la “world’s premier research conference in Data Mining”. In molti domini della scienza e dell’ingegneria, informazioni complesse vengono rappresentate sotto forma di reti (networks), nelle quali i nodi rappresentano le entità studiate, e gli archi che li collegano rappresentano le relazioni tra tali entità. Queste informazioni strutturate consentono analisi quali l'identificazione dei “nodi più importanti” (per es., gli individui che influenzano maggiormente la comunicazione in una rete sociale). L'articolo propone una tecnica innovativa per individuare i nodi simili in una rete, aprendo le porte a nuove analisi -- ed in particolare, permettendo ai ricercatori di condensare reti di grandi dimensioni in rappresentazioni più piccole che ne preservano le proprietà fondamentali. Questo approccio alla riduzione delle reti permette di far fronte alla complessità derivante da quantità sempre crescenti di dati. Considerando una serie di reti di 'benchmark' del settore, gli autori hanno confrontato la nuova metodologia con le più avanzate tecniche esistenti, registrando un miglioramento in precisione e scalabilita' per numerosi task d'interesse, ed un aumento della velocita' di calcolo fino a 3 ordini di grandezza (1000 volte più veloce). Questo consente di gestire reti di grandissime dimensioni, che non potrebbero essere analizzate in maniera efficiente utilizzando la maggior parte delle tecniche esistenti.

L’articolo FAStEN: An Efficient Adaptive Method for Feature Selection and Estimation in High-Dimensional Functional Regressions, scritto da Tobia Boschi (IBM Research Dublin), Lorenzo Testa (ex-allievo Sant’Anna, attualmente PhD student presso la Carnegie Mellon University), Francesca Chiaromonte (docente della Scuola Sant'Anna e della Penn State University, e coordinatrice scientifica L’EMbeDS) e Matthew Reimherr (Amazon e Penn State), è un altro esempio di collaborazione tra istituzioni di ricerca toscane e partner internazionali. Lo studio è stato recententemente pubblicato sul Journal of Computational and Graphical Statistics, una delle riviste più riconosciute nell'ambito della statistica computazionale. FAStEN è un nuovo metodo per selezionare e stimare in modo efficiente i predittori più rilevanti in modelli di regressione ad alta dimensione, dove sia i predittori che le risposte sono rappresentati come funzioni (curve o superfici su domini continui). FAStEN è progettato per gestire dataset complessi, come quelli provenienti da studi fMRI sul cervello, in cui è essenziale individuare le variabili più rilevanti tra decine di migliaia di predittori funzionali. Combinando componenti principali funzionali con un algoritmo di ottimizzazione avanzato, FAStEN riduce significativamente i tempi di calcolo senza sacrificare la precisione. L'articolo presenta una applicazione in cui dati da fMRI sono utilizzati per identificare possibili collegamenti tra l’attività cerebrale e la variabilità del battito cardiaco, evidenziando con successo le aree cerebrali coinvolte nel controllo del ritmo cardiaco e nell’anticipazione emotiva. FAStEN apre nuove prospettive per l'analisi dei dati funzionali, che sono sempre più comuni in molti settori di ricerca -- dalle neuroscienze, all'epidemiologia, all'economia e alla finanza.

_{L'immagine di copertina è stata generata artificialmente attraverso Microsoft Copilot}