Panizon Emanuele
Emanuele Panizon è Ricercatore presso l’Istituto RIT situato in Area Science Park a Trieste. In questo ruolo, partecipa all’attività scientifica del gruppo di ricerca LADE, applicando tecniche di machine learning – tra cui i Large Language Models e il Reinforcement Learning – nel campo delle scienze della vita.
Nel 2016 ha conseguito il dottorato di ricerca in Fisica presso l’Università di Genova, con una tesi sulle proprietà strutturali e chimiche di nanoleghe metalliche. Successivamente si è interessato allo studio dell’attrito e della dissipazione nella nanoscala, prima con una borsa di post-dottorato alla SISSA di Trieste (2016-2018), e poi all’Università di Costanza, in Germania (2019-2020). In Germania si è interessato di materia attiva, e in particolare degli aspetti emergenti del comportamento di gruppi di agenti: poche regole individuali condivise da un numero elevato di semplici agenti possono portare a comportamenti del gruppo molto più complessi. Seguendo questa linea di ricerca ha ottenuto una borsa di post-dottorato presso il dipartimento di Quantitative Life Science presso l’ICTP, a Trieste (2021-2023), in cui ha studiato il problema della ricerca olfattiva tramite il metodo dell’Apprendimento per Rinforzo (Reinforcement Learning).
Contatto: emanuele.panizon@areasciencepark.it
Emanuele Panizon is a Researcher at the RIT Institute at Area Science Park in Trieste. There, he participates in the scientific activities of the LADE research group, applying machine learning techniques – such as the Large Language Models and Reinforcement Learning – in the field of Quantitative Life Science.
In 2016 he obtained a PhD in Physics at the University of Genova, working on the structural and chemical properties of metallic nanoalloys. Afterwards his interests brought him to study friction and dissipation at the nanoscale, first at SISSA, in Trieste (2016-2018) and then at the University of Konstanz, in Germany (2019-2020). At the latter position he worked also with active matter, studying the emergent processes in collective behavior: How simple rules shared between a large number of simple agents may lead to complexity in the dynamics of the whole community. Following this line of research, he obtained a post-doctoral fellowship at the Quantitative Life Science at ICTP, Trieste (2021-2023), where he studied the olfactory search problem using Reinforcement Learning.
Contact: emanuele.panizon@areasciencepark.it
