La mia attività di ricerca è incentrata sullo sviluppo e l’applicazione di metodologie di simulazione atomistica su larga scala. Questi approcci computazionali sono fondamentali per la comprensione dei complessi fenomeni atomistici che si verificano alle interfacce dei materiali, con un’attenzione particolare ai processi rilevanti per la nano-tribologia.
Nella fase iniziale del mio lavoro, ho studiato e adottato le tecniche basate sul Green's function per riprodurre in modo accurato la risposta elastica dei solidi sottoposti a eccitazioni vibrazionali generate nelle regioni interfacciali. Tale metodologia consente una significativa riduzione del numero di atomi necessari per modellare le regioni bulk delle interfacce, ottimizzando così l’impiego delle risorse computazionali.
Più recentemente, con l’affermarsi delle tecniche di machine learning nell’ambito delle simulazioni atomistiche, la mia ricerca si è orientata verso l’impiego dei cosiddetti machine learning force fields (ML-FF). Tali modelli si avvalgono di avanzate strategie di apprendimento automatico per parametrizzare le complesse interazioni inter-atomiche. In particolare, i modelli basati su reti neurali profonde hanno mostrato risultati di grande rilievo: una volta addestrate su accurati dataset ab initio (soluzioni approssimate dell’equazione di Schrödinger elettronica a molti corpi), tali reti sono in grado di riprodurre le interazioni atomiche con miglioramenti di efficienza di diversi ordini di grandezza — fino a 10.000 volte superiori — rispetto ai metodi tradizionali.
Attualmente, la mia attività di ricerca si concentra sulla progettazione e sull’implementazione di pipeline e workflow automatizzati per la generazione dei dati ab initio e per l’addestramento dei modelli ML-FF. Tali modelli vengono poi impiegati in simulazioni atomistiche su larga scala finalizzate all’esplorazione dei meccanismi fondamentali che governano i fenomeni interfacciali.
