Leader
Italo Epicoco

L’obiettivo dell’Unità di Ricerca è quello di esplorare e sviluppare tecniche all’avanguardia di Machine e Deep Learning, insieme alle loro applicazioni nella scienza del clima. 

Le attività si concentrano su: (i) l’utilizzo di reti neurali per sviluppare modelli fondamentali per l’oceano e l’atmosfera su scale temporali meteorologiche e climatiche; (ii) l’utilizzo di modelli di AI generativa per il downscaling e l’assimilazione dei dati; (iii) l’analisi delle capacità predittive delle reti neurali per eventi estremi come trombe d’aria, cicloni, incendi boschivi, siccità, inondazioni e ondate di calore; e (iv) l’analisi dell’utilizzo di tecniche di ML/DL per valutare l’impatto del cambiamento climatico sulla società, l’economia, l’agricoltura, le regioni costiere, la vegetazione, l’uso del suolo e gli ecosistemi marini.

Leader
Donatello Elia

L’obiettivo principale dell’unità di ricerca riguarda la progettazione e l’implementazione di soluzioni e strategie open source di Data Science per favorire l’accesso efficace, l’analisi e l’estrazione di dati scientifici nel settore ambientale e del cambiamento climatico. 

In particolare, le attività si concentrano su (i) la gestione dei dati scientifici nel contesto di importanti iniziative internazionali e infrastrutture di ricerca come l’ENES Climate Data Infrastructure, l’Earth System Grid Federation e l’European Open Science Cloud; (ii) la definizione di nuovi modelli e approcci di archiviazione per consentire l’organizzazione, l’archiviazione e l’accesso efficiente ai dati climatici (inclusi I/O paralleli e catalogazione); (iii) la progettazione e il deployment di ambienti avanzati di Data Science per gli scienziati del clima nel quadro delle infrastrutture HPC/Cloud, sfruttando soluzioni di analisi dei dati ad alte prestazioni e framework di Machine Learning per accelerare la scoperta scientifica; (iv) lo sviluppo di strumenti e applicazioni di automazione del workflow (ad esempio, Digital Twins) progettati per supportare casi di utilizzo meteorologici e climatici su larga scala su macchine HPC, nel rispetto dei principi FAIR; (v) l’impostazione di piattaforme e servizi innovativi per supportare la gestione dei dati end-to-end, inclusa la raccolta di dati da più fonti (ad esempio, IoT, droni, EO, ESM), analisi avanzate (ad esempio, elaborazione delle immagini, data mining) e visualizzazione dei risultati (ad esempio, dashboard interattive).

Leader
Francesca Mele

Gli obiettivi di questa unità di ricerca si concentrano sull’analisi e sull’ottimizzazione dei principali kernel computazionali presenti nei modelli utilizzati al CMCC, con particolare attenzione alle architetture ibride multi-core CPU e GPU. Questo include la valutazione degli impatti sulle prestazioni derivanti dall’utilizzo di compilatori ottimizzati, librerie numeriche e nuovi paradigmi paralleli. Inoltre, le attività esplorano l’impatto delle architetture di calcolo accelerato da GPU ed exascale sugli algoritmi numerici utilizzati nei principali modelli climatici studiati al CMCC. 

In particolare, nel contesto delle tecnologie GPU ed exascale vengono analizzati i seguenti aspetti: (i) sfruttamento di strutture algoritmiche parallele avanzate e hardware GPU specializzato per ridurre gli overheads di comunicazione nei “dynamical cores”; (ii) ottimizzazione della gestione di esperimenti di ensemble su larga scala “multi-model” e “multi-emission” su sistemi ibridi; (iii) ottimizzazione delle gerarchie di memoria e della località dei dati tra i componenti GPU e CPU; (iv) razionalizzazione delle operazioni I/O; (v) impiego di nuovi paradigmi di comunicazione parallela e meccanismi di sincronizzazione efficienti, progettati per compiti accelerati da GPU.