I progressi della ricerca italiana

ROMA – focus/ aise – Trasformare le bioplastiche presenti nei rifiuti organici in biometano, riducendo gli scarti destinati alla discarica e aumentando l’efficienza degli impianti di digestione anaerobica. È il risultato del progetto InnoDABio, coordinato dall’Università di Padova con il sostegno di Fondazione Cariverona e la collaborazione di ETRA e BTS Biogas.
Al centro del progetto c’è il lavoro scientifico dell’Ateneo, che ha unito competenze biotecnologiche e ingegneristiche per sviluppare un prototipo di impianto pilota da 20 litri capace di convertire le bioplastiche in biogas attraverso soluzioni enzimatiche innovative.
“Il progetto InnoDABio rappresenta una risposta d’avanguardia a una sfida di stringente attualità: la transizione verso un’economia circolare reale, in linea con gli obiettivi europei di REPowerEU per la produzione di biometano entro il 2030”, dichiara Monica Fedeli, prorettrice con delega alla Terza missione e rapporti con il territorio dell’Università di Padova. “Questa collaborazione ha permesso di trasformare la ricerca in un risultato concreto: lo sviluppo di un prototipo di impianto pilota capace di convertire efficientemente le bioplastiche in biogas. È il cuore della nostra Terza Missione: trasferire conoscenze dal laboratorio al territorio”.
Secondo Filippo Manfredi, direttore generale di Fondazione Cariverona, InnoDABio conferma il valore della collaborazione tra fondazioni, atenei e imprese per trasformare la ricerca in soluzioni concrete e sostenibili.
Per ETRA, partner del progetto dal gennaio 2024, l’iniziativa rappresenta un investimento in innovazione applicata ai servizi ambientali, capace di ottimizzare la digestione anaerobica e tutelare l’ambiente.
Anche BTS Biogas, con il CEO Franco Lusuriello, sottolinea il valore del trasferimento dei risultati scientifici nei processi industriali, per ridurre gli sprechi, ottimizzare le risorse e migliorare l’efficienza degli impianti.
Il lavoro dei gruppi di ricerca dell’Università di Padova ha permesso di aumentare di 25 volte la velocità di depolimerizzazione enzimatica di prodotti come borse e posate in bioplastica, dimostrando la tecnologia su scala rilevante fino a reattori da 20-50 litri.
“Le bioplastiche sono la grande alternativa alle plastiche fossili e, in questo settore, l’Italia è all’avanguardia”, evidenzia Lorenzo Favaro del Dipartimento di Agronomia, Animali, Alimenti, Risorse naturali e Ambiente dell’Università di Padova. “InnoDABio è riuscito ad ottimizzare la loro gestione in contesti di digestione anaerobica, sviluppando un approccio innovativo per aumentare la resa in biometano degli impianti e ridurne i costi di esercizio”.
Accanto allo sviluppo biotech, l’Ateneo ha lavorato anche sulla separazione dei materiali non conformi presenti nell’umido domestico. “Per ottimizzare efficacemente il trattamento del sopravaglio è necessario eliminare le frazioni estranee erroneamente conferite nell’umido, minimizzando al tempo stesso la perdita di bioplastiche e residui organici”, conclude Alessandra Lorenzetti del Dipartimento di Ingegneria industriale dell’Università di Padova. “Per tale ragione, il gruppo di Polymer Engineering ha sviluppato e ingegnerizzato opportuni metodi di caratterizzazione e separazione”.
La nostra vita quotidiana è immersa in sistemi fatti di connessioni: le strade di una città, le linee di trasporto urbano e suburbano, le relazioni sui social network. Tutti questi sistemi sono esempi di “reti complesse”: strutture in cui elementi diversi sono collegati tra loro in modi spesso difficili da analizzare. Capire come funzionano queste reti è una sfida cruciale per l’intelligenza artificiale.
Una nuova ricerca pubblicata su IEEE Transactions on Knowledge and Data Engineering, una delle riviste di riferimento internazionale in Intelligenza Artificiale, propone un approccio innovativo per aiutare i sistemi di intelligenza artificiale a rappresentare e analizzare le reti complesse.
La ricerca è frutto di una collaborazione tra Scuola Superiore Sant’Anna di Pisa, Scuola IMT Alti Studi Lucca e Aalborg University.
Un nuovo metodo di network embedding per comprendere sistemi complessi
Oggi, molte informazioni sono descritte come reti (o grafi), in cui nodi ed elementi sono collegati tra loro da relazioni. Per permettere agli algoritmi di intelligenza artificiale di elaborare questi dati, sono necessarie operazioni di network embedding, la trasformazione dei dati strutturati in rappresentazioni numeriche compatte. Il limite dei metodi tradizionali è che spesso si concentrano solo sulla “distanza” tra elementi, perdendo un’informazione fondamentale: il ruolo che ciascun nodo ricopre nella rete.
Lo studio propone un nuovo metodo di network embedding in grado di preservare non solo la vicinanza tra i nodi ma anche di riconoscere il ruolo strutturale all’interno del sistema.
Un altro punto di forza del metodo è la scalabilità: la tecnica è progettata per funzionare su reti molto grandi, anche con connessioni complesse e direzionali, mantenendo tempi di calcolo significativamente ridotti rispetto alle soluzioni esistenti.
Lo studio coinvolge un gruppo interdisciplinare di ricerca che comprende Giuseppe Squillace, primo autore e ricercatore presso l’Università Paris Saclay, Francia precedentemente alla Scuola IMT Alti Studi Lucca; Mirco Tribastone, professore ordinario presso la Scuola IMT; Max Tschaikowski, professore associato presso Sapienza, Roma, precedentemente a Aalborg University; e Andrea Vandin, professore associato presso l’Istituto di Economia e il Dipartimento di Eccellenza L’EMbeDS della Scuola Sant’Anna.
Secondo gli autori, “questo lavoro mostra come preservare le relazioni strutturali tra entità sia cruciale per migliorare i network embedding, proponendo un nuovo modo di estrarre informazione da dati complessi a beneficio delle tecniche di intelligenza artificiale e machine learning”.
Le possibili applicazioni
Gli esperimenti contenuti nell’articolo dimostrano come il nuovo metodo consente di elaborare in modo estremamente efficiente reti di grandi dimensioni appartenenti a molteplici domini applicativi, tra cui reti di trasporto, sistemi biologici e social networks.
I risultati sperimentali evidenziano con chiarezza la superiorità dell’approccio rispetto allo stato dell’arte: gli embedding generati sono interpretabili, vengono calcolati in tempi significativamente inferiori, e i modelli che li usano raggiungono prestazioni migliori. (focus\aise)