Le potenzialità offerte dall'hardware moderno e dai recenti sviluppi nell'ambito delle tecniche di intelligenza artificiale e machine learning permettono di sviluppare algoritmi di classificazione, basati su reti neurali convoluzionali, altamente performanti. L'elevata versatilità di tali tecniche le rende facilmente applicabili a problemi del panorama scientifico moderno come l'identificazione di segnali rilasciati nei rivelatori di fisica delle alte energie, il riconoscimento e l'interpretazioni di immagini da scansioni MRI etc.
Tali algoritmi necessitano di un campione di dati già classificati, in modo da poter eseguire le tecniche di allenamento delle reti neurali su cui sono basati, tuttavia può capitare che questo campione non sia sufficientemente vario da poter eseguire un training adeguato. Nell'ambito di questo progetto di ricerca si realizzeranno degli algoritmi basati su tecniche di Deep Learning generativo, ad esempio Generative Adversarial Network (GAN), introdotte negli ultimi anni e capaci di generare artificialmente delle immagini appartenenti ad una data categoria. Attraverso una GAN è possibile generare un campione di immagini di dimensione e variabilità adeguata per permettere il training di algoritmi sofisticati basati su image vision, andando a compiere una vera e propria procedura di data augmentation per il problema.
L'utilizzo di Generative Adversarial Network nell'ambito della fisica delle alte energie è finora molto limitato, gli studi attuali sono principalmente orientati alla simulazione dei depositi energetici nei rivelatori di fisica delle particelle elementari. Con questa ricerca ci si pone l'obbiettivo di estendere queste potenzialità, non mirando a simulazioni di questo tipo, ma ad una vera e propria operazione di data augmentation, dedicata ad ampliare le potenzialità di classificatori basati su tecniche di riconoscimento delle immagini.
Questo permette di estendere i risultati ottenuti da questi studi ad altri ambiti, in quanto studi basati su identificazione, ricostruzione o riconoscimento delle immagini sono oggi applicati in diversi ambiti scientifici e tecnici, dalla ricerca di base ad applicazioni in ambito medico.
Non solo Generative Adversarial Networks, ma differenti tecniche generative (come ad esempio le Variational Auto-Encoder) verranno testate in questo studio. La piena conoscenza del funzionamento di tali algoritmi potrebbe portare a diverse migliorie sia nell'ambito dell'intelligenza artificiale, sia nell'ambito della fisica delle particelle elementari, con la possibilità di applicare tali risultati ad altri campi.