Scienza
Fisico teorico di formazione, scienziato indipendente per scelta. Qui la parte verificabile: pubblicazioni peer-reviewed, ricerca di tesi, fisica computazionale pubblicata in open source.
Pubblicazioni
Due paper a revisione dei pari — a NeurIPS e ad AAAI — e un preprint arXiv nato da una grande collaborazione. Su ciascuno dichiaro il mio ruolo, senza ambiguità.
Le due tesi
Geometric Deep Learning per la fisica su reticolo
Un modello di diffusione su grafi condizionato dalla temperatura fisica genera configurazioni del modello di Ising lungo tutto il diagramma di fase — addestrato su reticoli 32², campiona a 64² grazie alla natura geometrica dell'architettura, validato contro Monte Carlo su magnetizzazione, calore specifico e funzioni di correlazione. In parallelo: un campionatore Monte Carlo per teorie di gauge SU(3) su GPU (heatbath di Kennedy–Pendleton, over-relaxation, tensione di stringa dai rapporti di Creutz).
L'ipertrizio in ALICE al CERN, con il machine learning
Pipeline professionale di estrazione del segnale per il decadimento a tre corpi dell'(anti-)ipertrizio in collisioni pp a √s = 13 TeV: classificatore BDT su 15 variabili cinematiche e di identificazione, ottimizzazione degli iperparametri, fit di massa invariante, plot di Dalitz e sistematiche — su dataset fino a ~8×10⁹ eventi.
La scienza, da guardare
Fisica computazionale pubblicata in open source sul mio GitHub — simulazioni che puoi eseguire, non solo guardare.
Codice sorgente: ChargedParticleSimulator · Computational_QM
Primo premio — hackathon Leonardo "Space Edition", 2026
Vincitori assoluti. Il main track era un concept per una costellazione satellitare di Quantum Key Distribution a copertura globale; nelle side challenge code-centric il team ha realizzato la predizione di guasti alle antenne di terra da 3,8 milioni di righe di telemetria (ROC-AUC 0.968, 44 guasti su 44 anticipati con ~21 ore di preavviso) e ha reimplementato la propagazione orbitale SGP4 di oltre 100 satelliti come kernel CUDA custom.