| KEYWORD |
Approcci di machine learning per lo studio di sistemi molecolari complessi
Parole chiave CHIMICA FISICA, CHIMICA SUPRAMOLECOLARE, COARSE-GRAINING, DINAMICA MOLECOLARE, FISICA STATISTICA, MACHINE LEARNING, MODELLAZIONE E SIMULAZIONE MOLECOLARE, PATTERN RECOGNITION, SELF-ASSEMBLY, SIMULAZIONE MULTISCALA, SISTEMI COMPLESSI
Riferimenti GIOVANNI MARIA PAVAN
Gruppi di ricerca COMPUTATIONAL PHYSICAL CHEMISTRY (CPC) LABORATORY
Tipo tesi COMPUTAZIONALE, MODELLISTICA E SIMULAZIONE
Descrizione La natura utilizza il self-assembly per costruire materiali supramolecolari affascinanti, come i microtubuli e i filamenti proteici, che possono auto-ripararsi, riconfigurarsi, adattarsi o rispondere a stimoli specifici in modo dinamico. In questi sistemi, le unità costitutive sono in continuo scambio e comunicazione tra di loro e con l'ambiente esterno, in quello che è di fatto un sistema molecolare complesso. I fattori determinanti dei comportamenti dinamici di tali sistemi, e le sorgenti delle loro proprietà emergenti sono tipicamente difficili da investigare. Allo stesso tempo, riuscirci aprirebbe la strada verso nuovi concetti nella progettazione di sistemi molecolari artificiali con proprietà bioispirate.
Questa tesi è collegata al progetto ERC Consolidator grant "DYNAPOL", che mira a capire come progettare nuovi tipi di sistemi molecolari con proprietà dinamiche bioispirate attraverso modelli molecolari multiscala, simulazione computazionale avanzata e approcci di machine learning.
Vedi anche https://www.gmpavanlab.com/
Note Durante la tesi, lo studente avrà l'opportunità di lavorare a stretto contatto con ricercatori e scienziati di fama mondiale, partner accademici e industriali nazionali e internazionali.
Scadenza validita proposta 07/09/2024
PROPONI LA TUA CANDIDATURA