Ricerca: Analisi dei Pattern comportamentali in dinamiche collettive cooperative e non tramite physics informed neural networks
Raoul Vetere si è laureato in Matematica Pura e Applicata presso l’Università di Tor Vergata, dove ha conseguito anche una laurea magistrale in Scienze e Tecnologie Spaziali. Successivamente, ha ottenuto una seconda laurea magistrale in Computational Sciences presso l’Università Roma Tre, concentrandosi sull’applicazione delle reti neurali physics-informed a problemi fisici e di controllo ottimale. Durante il percorso accademico, ha svolto un tirocinio presso Thales Alenia Space, contribuendo allo sviluppo di modelli di machine learning per applicazioni aerospaziali avanzate.
Attualmente è Chief Artificial Intelligence Officer presso Involve Space, dove in precedenza ha ricoperto il ruolo di Chief Technology Officer. In Involve, ha sviluppato e implementato sofisticate Physics-Informed Neural Networks (PINNs), ottimizzando il controllo di palloni stratosferici in ambienti stocastici. Integrando previsioni data-driven con leggi fisiche, ha migliorato la gestione operativa nell’ambiente stratosferico.
I suoi principali interessi riguardano l’analisi matematica applicata al controllo ottimale e lo studio di giochi differenziali cooperativi e non cooperativi. Si concentra sulle condizioni di esistenza e unicità delle soluzioni di questi giochi e sullo sviluppo di algoritmi numerici per risolverli. Inoltre, lavora allo sviluppo di Physics-Informed Neural Networks per generalizzare le soluzioni classiche e di viscosità delle equazioni di Hamilton-Jacobi-Isaac attraverso reti neurali profonde.
Nel suo lavoro ha combinato matematica applicata, intelligenza artificiale e tecnologia spaziale per sviluppare soluzioni innovative a problemi complessi, in particolare nella gestione e ottimizzazione di palloni stratosferici.