Leader
Italo Epicoco

Gli obiettivi di questa unità di ricerca riguardano l’analisi e l’ottimizzazione su architetture ibride multi-core dei principali nuclei computazionali presenti nei modelli utilizzati al CMCC, alla luce degli impatti sulle prestazioni derivanti dall’utilizzo di compilatori ottimizzati, librerie matematiche e nuovi paradigmi paralleli. Inoltre, le attività si concentrano anche sullo studio degli impatti delle architetture di calcolo exascale sugli algoritmi numerici utilizzati nei principali modelli climatici studiati presso il CMCC. In particolare, l’analisi in ottica exascale riguarda i seguenti aspetti: (I) impiego di strutture algoritmiche parallele avanzate per la riduzione degli “overhead” di comunicazione attualmente presenti nei “dynamical cores”; (II) gestione ottimale di esperimenti ensemble “multi-model” e “multi-emission”; (III) gestione ottimale del sistema di memoria e delle relative gerarchie; (IV) razionalizzazione delle operazioni di I/O; (V) impiego di nuovi paradigmi di comunicazione paralleli e meccanismi di sincronizzazione tra attività parallele.

Leader
Donatello Elia

L’obiettivo principale di questa unità di ricerca riguarda la progettazione e l’implementazione di soluzioni open source efficienti di Data Science, che consentano l’accesso, l’analisi e il mining dei dati scientifici nel contesto dei cambiamenti climatici. Nello specifico, le attività si concentrano su (i) gestione di dati scientifici nell’ambito di importanti contesti/iniziative internazionali come ENES Climate Data Infrastructure, Earth System Grid Federation e European Open Science Cloud, (ii) definizione di nuovi modelli di storage per consentire l’accesso efficiente ai dati climatici (inclusi gli approcci di I/O parallelo), e (iii) sviluppo di ambienti avanzati di Data Science per gli scienziati del clima, basati su soluzioni di High Performance Data Analytics, e anche di strutture di machine/deep learning per accelerare la scoperta scientifica, (iv) sviluppo di strumenti fault tolerant di workflow automation e di applicazioni per la programmazione ottimale di un alto numero di operazioni su infrastrutture HPC progettate a supporto dei casi d’uso nel settore climatico.

Leader
Gabriele Accarino

L’obiettivo dell’unità di ricerca EMLC² riguarda l’analisi e lo sviluppo di tecniche avanzate di Machine/Deep Learning e relative applicazioni nel contesto della scienza del clima. Le attività di questa unità di ricerca sono strettamente collegate alla disponibilità di grosse quantità di dati prodotti dalle simulazioni come anche alla crescente potenza computazionale offerta dalle prossime architetture Exascale. Nello specifico, le attività riguardano (i) lo studio di approcci ibridi, in cui i nuclei computazionali critici dei modelli climatici sono sostituiti da algoritmi di reti neurali senza incidere sull’accuratezza dei risultati, (ii) l’applicazione di tecniche di Machine/Deep Learning per attività di downscaling, esaminando e confrontando anche l’utilizzo di diversi approcci basati su Reti Neurali (ad es. CNN o GAN), (iii) l’analisi delle capacità previsionali delle Reti Neurali (ad es. LSTM) per le previsioni di serie temporali in diversi casi d’uso in ambito climatico e meteorologico, (iv) l’analisi dell’utilizzo di tecniche di ML/DL in diversi casi d’uso scientifici: Cicloni Tropicali, Previsione dei Conflitti, Monitoraggio & Elaborazione dei parametri agroforestali, studio dello Scioglimento dei Ghiacciai e Analisi dei radargrammi di Marte.