Nanoinnovation 2020, 16 settembre 2020, ore 11
Chair: Massimo Celino e Francesco Buonocore

HPC (High Performance Computing) and BigData technologies are revolutioning how computational materials science is addressed. In a few years the new generation of supercomputers will be capable of delivering a computational power in the range of about 10^18 floating point operations per second. The availability of this tremendous computational power opens new ways to face challenges in nanotechnology research. Materials science will be greatly affected since a new kind of dynamics between theory and experiment will be established, with the potential to accelerate materials discovery to meet the increased demand for task-specific materials. Moreover HPC will be able to analyze very large amount of data (BigData) giving access to unforeseen interpretations of both experimental and computational data. The heightened demand for automation, advanced analysis and predictive capabilities inherent to these new methods put it in an especially exciting crossroads between chemistry, mathematics and computational science. In the European sphere, the transversal multidisciplinary approach is the key ingredient of the Horizon2020 Energy oriented Centre of Excellence (EoCoE) which aims to accelerate the European transition to a reliable low carbon energy supply exploiting the ever-growing computational power of HPC. This session aims to bring together researchers in materials science and computer science to discuss new approaches and explore new collaborations in the theoretical discovery of materials.

https://www.nanoinnovation2020.eu/home/index.php/programme/thematic-symposia/125-daily-schedule/plan-16-september/221-hpc-bigdata-for-nanotechnology

In collaborazione tra Università Politecnica delle Marche ed ENEA, il 07 settembre 2020 si è svolto un workshop online sulle tematiche del patrimonio culturale digitale, delle nuvole di punti per la segmentazione dei beni culturali e delle applicazioni con le reti neurali profonde, con il seguente programma:
• Segmentazione Semantica di nuvole di punti: scenari e applicazioni, Emanuele Frontoni, Marina Paolanti (VRAI, Università Politecnica delle Marche);
• Deep Learning e Machine Learning per Segmentazione semantica di nuvole di Punti per i beni Culturali , Roberto Pierdicca (GAP, Università Politecnica delle Marche);
• A Benchmark for Large-Scale Heritage Point Cloud Semantic Segmentation, Francesca Matrone (Politecnico di Torino) ,
• Reti Generative Avversarie per la generazione di nuvole di punti, Massimo Martini (VRAI, Università Politecnica delle Marche)
• La Catena di modellazione mediante l’infrastruttura di calcolo ICT dell’ ENEA per i beni culturali, dal rilievo geometrico alla modellazione FE, Marialuisa Mongelli, Samuele Pierattini, Marco Puccini (ENEA-TERIN-ICT)
L’obiettivo del workshop è stato quello di preparare alla definizione di nuove linee di ricerca congiunte sull’applicazione di algoritmi di Deep learning e Computer Vision alle problematiche di catalogazione e conservazione dei beni culturali.

Nell’ambito del patrimonio culturale digitale (Digital Cultural Heritage, DCH), la segmentazione semantica delle nuvole di punti con tecniche di apprendimento profondo (Deep Learning, DL) può aiutare a riconoscere elementi architettonici storici, ad un livello di dettaglio adeguato, e quindi ad accelerare il processo di modellazione di edifici storici per lo sviluppo di modelli BIM da dati di rilievo, indicati come HBIM (Historical Building Information Modeling). Il gruppo di ricerca VRAI (Vision Robotics and Artificial Intellgence) del Dipartimento di Ingegneria dell’Informazione (DII) con il GAP (Geomatics Applications and Processing) del Dipartimento di Ingegneria Civile Edile e dell’Architettura (DICEA) dell’Università Politecnica delle Marche di Ancona ha proposto un innovativo framework di DL per la segmentazione semantica di nuvole di punti che, a partire da una rete convoluzionale dello stato dell’arte (DGCNN – Dynamic Graph Convolutional Neural Network) ottimizza il processo di segmentazione grazie alla introduzione di features significative come normale e il colore. L’approccio è stato applicato a un nuovo dataset, disponibile pubblicamente: Dataset ArCH (Architectural Cultural Heritage) raccolto grazie alla collaborazione del Politecnico di Torino, della Fondazione Bruno Kessler (FBK) di Trento e dell’Institut National des Sciences Appliquées di Strasbourg, France (http://archdataset.polito.it )