Come le reti neurali possono scoprire dove nasce l’inquinamento atmosferico?

Le reti neurali informate dalla fisica, o PINN, stanno rivoluzionando il modo di risolvere problemi complessi. In campo ambientale, individuare la posizione di una sorgente di emissione è fondamentale, ma spesso i dati a disposizione sono scarsi e rumorosi. Questo studio propone un metodo che combina PINN con un algoritmo adattivo basato sui kernel tangenti neurali per invertire il problema di dispersione atmosferica. In pratica, la rete non solo ricostruisce la concentrazione di inquinanti, ma stima contemporaneamente la posizione della sorgente e i parametri di velocità e diffusione, che possono variare nello spazio e nel tempo. Il trucco sta nell’usare l’equazione di advezione‑diffusione come vincolo: ogni possibile soluzione deve rispettare la legge fisica, così la rete sfrutta al massimo le poche misurazioni disponibili. I test numerici, sia in 2D che in 3D, mostrano che il metodo resta stabile anche con rumore aggiuntivo nei dati, dimostrando robustezza e precisione. Questa capacità di “leggere” l’atmosfera con pochi sensori apre nuove strade per il monitoraggio ambientale, rendendo più veloce e affidabile l’identificazione di fonti inquinanti, dalle ciminiere industriali alle fughe accidentali di gas.

Le Physics‑Informed Neural Networks (PINN) integrano le equazioni differenziali parziali (PDE) direttamente nella funzione di perdita della rete. In questo lavoro, la PDE è l’equazione di advezione‑diffusione: \(\frac{\partial C}{\partial t}+\nabla\cdot(\mathbf{v}C)=\nabla\cdot(D\nabla C)+S\), dove \(C\) è la concentrazione, \(\mathbf{v}\) il campo di velocità, \(D\) il coefficiente di diffusione e \(S\) la sorgente. La rete apprende simultaneamente \(C(\mathbf{x},t)\), \(\mathbf{v}(\mathbf{x},t)\), \(D(\mathbf{x},t)\) e \(S(\mathbf{x},t)\) minimizzando una loss composta da termini di dati (misurazioni di \(C\)) e termini di residuali PDE. L’adattamento dei pesi, guidato dal kernel tangente neurale (NTK), permette di dare più importanza alle regioni dove il residuo è più grande, migliorando la convergenza in problemi fortemente ill‑posed. Inoltre, la formulazione consente di includere regolarizzazioni bayesiane per gestire l’incertezza nei dati, e di sfruttare tecniche di dropout per stimare la varianza delle previsioni. I risultati mostrano che, rispetto a metodi tradizionali di inversione basati su ottimizzazione iterativa, le PINN adattive riducono drasticamente il numero di iterazioni richieste e mantengono accuratezza anche con rumore fino al 10% dei valori misurati. Questo approccio è particolarmente promettente per reti di sensori sparsi, dove la densità di dati è limitata ma la necessità di decisioni rapide è alta.