Argomenti di tesi proposti dal docente.
TELESCOPI PER NEUTRINI
I telescopi per neutrini sono apparati sperimentali realizzati sotto l’acqua o nei ghiacci del Polo Sud per
- studiare le proprietà del neutrino
- rivelare neutrini di altissima energia provenienti dal cosmo con l’obiettivo di comprendere i processi che originano supernovae, pulsar, AGN, coalescenza di stelle di neutroni,…
KM3NeT è un progetto largamente europeo che sta costruendo due grandi apparati per la rivelazione di neutrini. Il telescopio KM3NeT/ARCA è in fase di costruzione a circa 100 km dalla costa di Portopalo di Capo Passero (Sicilia), con l’obiettivo di studiare neutrini di origine cosmica. L'infrastruttura ospiterà anche strumentazione per il monitoraggio a lungo termine e online dell'ambiente di acque profonde, le cui misure verranno utilizzate per studi di geofisica e biologia marina. KM3NeT utilizza l’esperienza di un rivelatore più piccolo (ANTARES) che ha preso dati dal 2008 sino a Febbraio 2022.
Diverse tesi TRIENNALI e MAGISTRALI sono disponibili, principalmente legate agli studi di astrofisica (neutrini coincidenti temporalmente con eventi quali onde gravitazionali e GRBs, neutrini provenienti dalla regione centrale Galattica, ricerca di neutrini diffusi di energia elevatissima) sia utilizzando i dati di ANTARES sia utilizzando i primi dati raccolti da KM3NeT. Inoltre, tesi di natura più tecnologica (acquisizione dati, calibrazioni degli apparati sottomarini) sono disponibili, così come tesi legate all’ambiente marino. Per contatti e ulteriori informazioni, anche sulle tesi triennali, rivolgersi a:
- Prof. Maurizio Spurio, maurizio.spurio@unibo.it
- Prof.ssa Annarita Margiotta annarita.margiotta@unibo.it
- Dr.ssa Giulia Illuminati, giulia.illuminati3@unibo.it
- Dr. Tommaso Chiarusi, chiarusi@bo.infn.it
Esempio di tesi triennale:
Titolo: Caratterizzazione delle latenze intrinseche alle misure di tempo per i moduli del telescopio di neutrini KM3NeT
KM3NeT è formato da migliaia apparati di rivelazione, denominati Digital Optical Module (DOM) e sincronizzati con una precisione temporale migliore di 1 ns. Le schede elettroniche di ogni apparato, preposte all’acquisizione dei dati, possono introdurre delle latenze fisse che costituiscono un'incertezza sistematica che deve essere misurata e compensata. La tesi triennale proposta consiste nella caratterizzazione di tali ritardi attraverso una strumentazione di test allestita nel nostro laboratorio. Lo studente dovrà effettuare misure di ritardi temporali con un oscilloscopio di alta precisione collegato alle schede elettroniche dei DOM. I risultati ottenuti saranno confrontati con misure equivalenti, ottenute processando i dati trasmessi dalle schede attraverso il sistema di acquisizione online di KM3NeT.
Rivelatori Nucleari a tracce
Titolo: Analisi automatica delle immagini dei rivelatori nucleari a tracce nell'esperimento MoEDAL: confronto tra metodi classici di computer vision e approcci basati su modelli multimodali
Contesto e motivazione
L'esperimento MoEDAL (Monopole and Exotics Detector At the LHC), installato presso il punto di interazione IP8 del Large Hadron Collider al CERN, ha come obiettivo primario la ricerca di particelle esotiche altamente ionizzanti, tra cui il monopolo magnetico di Dirac e le cosiddette Massive Charged Stable Particles (MCSPs). Tra i componenti del rivelatore, i Nuclear Track Detectors (NTD) —lastre di materiale plastico CR-39 —svolgono un ruolo cruciale: le particelle che le attraversano lasciano danni microscopici nel reticolo polimerico che, dopo un processo di attacco chimico (etching), diventano visibili come fossette caratteristiche (etch pits) osservabili al microscopio ottico.
L'analisi sistematica di queste immagini rappresenta una delle fasi più laboriose e critiche dell'intera pipeline sperimentale: le lastre esposte producono un volume di dati enorme, e l'identificazione manuale dei segnali è lenta, soggettiva e difficilmente scalabile.
Le possibili tesi (triennali o di master) si propongono di confrontare sistematicamente diverse famiglie di metodi per l'analisi automatizzata delle immagini degli NTD, valutandone le prestazioni in termini di accuratezza, robustezza al rumore e requisiti computazionali:
1. Metodi classici di computer vision
Tecniche basate su elaborazione morfologica, sogliatura adattiva, rilevamento di contorni (Canny, Laplaciano del Gaussiano) e trasformate di Hough per l'identificazione e la caratterizzazione geometrica degli etch pits. Eventualmente integrabili con classificatori tradizionali di machine learning (SVM, Random Forest) su feature estratte manualmente (HOG, GLCM).
2. Approcci basati su reti neurali convoluzionali (CNN)
Modelli supervisionati per la classificazione e segmentazione delle tracce, come termine di riferimento intermedio tra i metodi classici e quelli più recenti.
3. Modelli multimodali di grandi dimensioni (LMM/VLM)
Valutazione di modelli vision-language sia in modalità cloud (es. GPT-4o, Gemini) sia ospitati localmente (es. LLaVA, modelli basati su LLaMA tramite Ollama), esplorando sia l'utilizzo zero-shot e few-shot sia tecniche di prompt engineering orientate al dominio fisico.
Aspetti metodologici e originalità
Un elemento di particolare interesse èla comparazione tra deployment cloud e locale: i modelli ospitati in locale, pur con prestazioni potenzialmente inferiori, garantiscono indipendenza da infrastrutture esterne, controllo sui dati e possibile integrazione diretta nella catena di acquisizione dell'esperimento. Si potrà quindi affrontare anche le implicazioni pratiche legate a costi computazionali, latenza e privacy dei dati sperimentali.
L'originalità risiede nell'applicazione di strumenti nati per il linguaggio naturale a un dominio altamente specializzato della fisica delle particelle, indagando se e in quale misura la capacità di ragionamento visivo di questi modelli sia trasferibile a immagini scientifiche con morfologie ben definite e criteri di classificazione rigorosi.
__________________________________________________
Possibili estensioni
•Costruzione o ampliamento di un dataset annotato di immagini NTD, utilizzabile per addestrare o valutare i modelli.
•Studio della calibrazione dell'incertezza delle predizioni, aspetto rilevante in un contesto di ricerca di segnali rari.
•Confronto con pipeline giàadottate da altri esperimenti con rivelatori analoghi (es. SLIM, MACRO).
