METODI DI CALCOLO PER LE SCIENZE CHIMICHE

L’insegnamento si inserisce tra le attività formative caratterizzanti del corso di laurea triennale di Chimica e Tecnologie Sostenibili (curriculum Scienze e Tecnologie dei Bio e Nanomateriali), volte a fornire allo studente i fondamenti teorici, i metodi di calcolo e la relativa metodologia (algoritmo) adeguata per modellare un dato esperimento, analizzare i dati ottenuti e applicare correttamente i modelli matematici adatti alla loro descrizione. Vengono introdotti anche alcuni concetti base di machine learning applicato alla risoluzione di problemi in ambito chimico. Il corso introduce inoltre gli elementi base della programmazione per formulare soluzioni algoritmiche a problemi in ambito chimico.
Esempi pratici di applicazioni mirate alla risoluzione di problemi nell’ambito delle scienze chimiche verranno svolti mediante l'implementazione pratica di quanto trattato con l'ausilio di opportuni software.

CONOSCENZA E COMPRENSIONE
Conoscenza e comprensione dei principi teorici e matematici di base delle principali metodologie per modellare e analizzare un esperimento (in ambito chimico e/o spettroscopico) e per la sua analisi. Conoscenza e comprensione dei concetti base dell’informatica: algoritmo, tipi di dati, strutture di controllo. Concetti base relativi al machine learning applicato alla risoluzione di problemi in ambito chimico.
CAPACITA' DI APPLICARE CONOSCENZA E COMPRENSIONE
Capacità di utilizzare appieno i concetti (teorici e matematici) appresi per modellare adeguatamente i risultati di un esperimento usufruendo dell’ausilio di opportuni programmi. Capacità di progettare e implementare una o piu’ soluzioni impiegando il software impiegato durante il corso e ricorrendo anche a tecniche di machine learning. Capacità di consultare autonomamente documentazione tecnica in merito alle funzionalità del software impiegato per risolvere problemi in ambito chimico.
CAPACITA' DI GIUDIZIO
Capacità di eseguire una valutazione critica dei risultati sperimentali.
ABILITÀ COMUNICATIVE
Comunicare in modo chiaro le informazioni apprese, descrivere gli aspetti degli algoritmi risolutivi proposti usando un linguaggio appropriato, e saper descrivere i risultati ottenuti dall’applicazione di un dato metodo di calcolo e relativa implementazione, con linguaggio appropriato, ad interlocutori specialisti e non.

Conoscenze di base di calcolo (vettori, matrici, calcolo integrale e differenziale). In particolare, aver raggiunto gli obiettivi formativi di Istituzioni di Matematica con esercitazioni 1 e 2, possibilmente avendone superato gli esami, e conoscenza dei concetti base della teoria degli errori.

Modelli matematici di un esperimento e misure sperimentali. Introduzione alle scale di misura e loro impiego. Introduzione ai concetti base della programmazione: algoritmo, tipi di dati, e strutture di controllo. Applicazioni in ambito chimico e spettroscopico, tramite lo sviluppo di opportuni programmi, di metodi di calcolo e analisi basati sui seguenti concetti: algebra lineare, calcolo vettoriale, calcolo matriciale, autovettori, autovalori, decomposizione ai valori singolari (SVD), funzioni e determinazione dei loro massimi e minimi, gradiente, calcolo degli integrali, modelli di regressione lineari e non lineari nei parametri, metodi per la soluzione di equazioni differenziali ordinarie. Introduzione al machine learning in chimica: algoritmi supervisionati e non supervisionati, algoritmi di classificazione, clustering e regressione; il problema dell’overfitting/underfitting. Regressione logistica. Macchine a vettori di supporto (SVM) e applicazione in ambito chimico. K-Means e applicazione in ambito chimico. Analisi delle componenti principali (PCA) e applicazione in ambito chimico.
Ogni argomento sarà discusso anche impiegando l’ambiente di programmazione OCTAVE, del quale verranno introdotti i relativi concetti chiave quali operazioni vettoriali; funzioni; lettura e scrittura di file; plotting dei dati; funzioni vettoriali; esecuzione di funzioni annidate.

Principalmente appunti di lezione.
Philip. R. Bevington, D. Keith Robinson “Data Reduction and Error Analysis for the Physical Sciences”, McGraw-Hill Education, 2003.

La verifica dell’apprendimento avviene attraverso una prova orale (durata di circa 30 minuti).
La prova orale consiste nel discutere (corredando il tutto anche con una presentazione in formato PPTX e/o PDF, massimo 10 minuti) una applicazione (realizzata usando il software discusso durante il corso, OCTAVE) dei metodi esposti nel corso alla soluzione di un problema in ambito chimico , cui seguiranno delle domande aperte. Durante la discussione del progetto, la sua presentazione e le relative risposte alle domande aperte, verrà chiesto di dimostrare di conoscere e sapere esporre in modo corretto gli argomenti trattati e di saper applicare i diversi metodi impiegati nel corso per analizzare un esperimento, e di saper discutere i relativi risultati.
Il voto finale dell’insegnamento, espresso in trentesimi, è composto per 2/3 dalla valutazione del progetto computazionale scelto e delle risposte alle relative domande, e per 1/3 dalla valutazione della relativa presentazione (in formato PPTX e/o PDF) inerente al progetto stesso.

orale

Il voto finale dell’insegnamento, espresso in trentesimi, è composto per 2/3 dalla valutazione del progetto computazionale scelto (realizzato in OCTAVE) e delle risposte alle relative domande, e per 1/3 dalla valutazione della relativa presentazione (in formato PPTX e/o PDF) inerente al progetto stesso; per il voto finale verrà impiegata la griglia di valutazione di seguito riportata.
Punteggi nella fascia 18-22 verranno attribuiti qualora si raggiunga una valutazione sufficiente in merito alla conoscenza e comprensione sufficiente relativamente ai vari argomenti trattati durante il corso, alla capacità di applicarli al progetto computazionale scelto, alla autonomia di giudizio, e alle abilità comunicative (anche in riferimento alla presentazione). Inoltre, si dovranno saper descrivere, anche se con un linguaggio spesso non appropriato, sia i risultati ottenuti dall’applicazione di un dato metodo di calcolo che il progetto computazionale scelto.
Punteggi nella fascia 23-26 verranno attribuiti qualora si raggiunga una valutazione buona in merito alla conoscenza e comprensione relativamente ai vari argomenti trattati durante il corso, in merito alla capacità di applicarli al progetto computazionale scelto, in merito all’autonomia di giudizio, e alle abilità comunicative (anche in riferimento alla presentazione). Inoltre, si dovranno saper descrivere, con un linguaggio quasi sempre appropriato, sia i risultati ottenuti dall’applicazione di un dato metodo di calcolo che il progetto computazionale stesso.
Punteggi nella fascia 27-30 verranno attribuiti qualora si raggiunga una valutazione molto buona o ottima in merito alla conoscenza e comprensione della totalità degli argomenti trattati durante il corso, alla capacità di applicarli al progetto scelto, all’autonomia di giudizio, e alle abilità comunicative (anche in riferimento alla presentazione). Inoltre, si dovranno saper descrivere, con un linguaggio del tutto appropriato, sia i risultati ottenuti dall’applicazione di un dato metodo di calcolo che il progetto computazionale stesso.
Per il conferimento della Lode, la valutazione su tutti i punti sopra citati dovrà essere eccellente.

Corso frontale organizzato in lezioni comprensive anche dell’impiego pratico di opportuni programmi per l’analisi del dato (principalmente OCTAVE); si raccomanda quindi di portare un laptop durante le lezioni.
Nella piattaforma MOODLE di Ateneo dopo ogni lezione verrà caricato il materiale didattico proiettato in aula comprensivo di materiale supplementare e di alcuni esempi di applicazione dei concetti per la descrizione ed interpretazione del dato.

Accessibilità, Disabilità e Inclusione

Accomodamenti e Servizi di Supporto per studenti con disabilità o con disturbi specifici dell’apprendimento:
Ca’ Foscari applica la Legge Italiana (Legge 17/1999; Legge 170/2010) per i servizi di supporto e di accomodamento disponibili agli studenti con disabilità o con disturbi specifici dell’apprendimento. In caso di disabilità motoria, visiva, dell’udito o altre disabilità (Legge 17/1999) o un disturbo specifico dell’apprendimento (Legge 170/2010) e si necessita di supporto (assistenza in aula, ausili tecnologici per lo svolgimento di esami o esami individualizzati, materiale in formato accessibile, recupero appunti, tutorato specialistico a supporto dello studio, interpreti o altro), si contatti l’ufficio Disabilità e DSA disabilita@unive.it.

Questo insegnamento tratta argomenti connessi alla macroarea "Cambiamento climatico e energia" e concorre alla realizzazione dei relativi obiettivi ONU dell'Agenda 2030 per lo Sviluppo Sostenibile