Con una tesi dal titolo “Representation learning and hierarchical clustering for microscopy images” Alberto Cazzaniga, assegnista di ricerca in Area Science Park, si è aggiudicato il premio del Master in High Performance Computing (MHPC), promosso da Sissa e ICTP, per il miglior elaborato dell’anno accademico 2019/20.

Il master in MHPC è un programma di specializzazione che prepara gli studenti a operare nel campo del calcolo a elevate prestazioni (High Performance Computing – HPC); alla didattica in classe unisce progetti pratici per preparare i futuri specialisti di HPC a lavorare per il mondo accademico e industriale.

L’elaborato di Alberto Cazzaniga ha investigato tecniche di machine learning per rilevare il contenuto semantico di immagini provenienti da microscopi elettronici a scansione (SEM), tramite l’utilizzo di una rete neurale. Applicando un particolare algoritmo – denominato Advanced Density Peaks – sulle rappresentazioni estratte si riesce a ottenere una suddivisione dei dati organizzata in una struttura gerarchica che ne rispecchia il contenuto. Queste tecniche hanno il potenziale di essere estese ad altri tipi di immagini.

Per l’estrazione e lo studio delle immagini, Albero ha utilizzato immagini acquisite nel corso degli anni mediante i microscopi SEM del CNR-IOM, Istituto officina dei materiali del Consiglio Nazionale delle Ricerche attivo nel campus di Basovizza di Area Science Park, e di altre istituzioni della piattaforma NFFA-EUROPE.

Cazzaniga ha studiato matematica a Milano e Utrecht (NL); ha, poi, ottenuto un dottorato di ricerca presso l’Università di Oxford e un post-dottorato presso AIMS-SA a Cape Town, dove si è occupato dello studio di problemi geometrici emergenti in Fisica Teorica.

Da ottobre 2020 Alberto è assegnista di ricerca in Area Science Park presso l’Istituto di Ricerca e Tecnologie, guidato da Stefano Cozzini, dove si occupa di analisi dei dati, con particolare attenzione alle tecniche di machine learning. L’Istituto di Ricerca e Tecnologie studia e realizza sistemi automatizzati per l’archiviazione, l’elaborazione e l’analisi dei dati raccolti presso il Laboratorio di Genomica ed Epigenomica mediante il data center ORFEO, e indaga, inoltre, le potenziali applicazioni di nuove tecniche di apprendimento automatico basate sul deep learning in ambito genomico.