Ritratto di luca.leuzzi@uniroma1.it
Insegnamento Codice Anno Corso - Frequentare Bacheca
INTRODUZIONE ALLA TEORIA DEI PROCESSI STOCASTICI ED APPLICAZIONI ALLA FISICA 1022849 2022/2023
CALCOLO DELLE PROBABILITA' 1041490 2022/2023
CALCOLO DELLE PROBABILITA' 1041490 2021/2022
INTRODUZIONE ALLA TEORIA DEI PROCESSI STOCASTICI ED APPLICAZIONI ALLA FISICA 1022849 2021/2022
CALCOLO DELLE PROBABILITA' 1041490 2020/2021
INTRODUZIONE ALLA TEORIA DEI PROCESSI STOCASTICI ED APPLICAZIONI ALLA FISICA 1022849 2020/2021
CALCOLO DELLE PROBABILITA' 1041490 2019/2020
INTRODUZIONE ALLA TEORIA DEI PROCESSI STOCASTICI ED APPLICAZIONI ALLA FISICA 1022849 2019/2020
CALCOLO DELLE PROBABILITA' 1041490 2018/2019
LABORATORIO DI FISICA COMPUTAZIONALE I 1012086 2018/2019
INTRODUZIONE ALLA TEORIA DEI PROCESSI STOCASTICI ED APPLICAZIONI ALLA FISICA 1022849 2018/2019
CALCOLO DELLE PROBABILITA' 1041490 2016/2017

su appuntamento mediante email

Luca Leuzzi svolge una attività ultra ventennale nello studio teorico, sia analitico che numerico, di sistemi disordinati e vetrosi. Negli ultimi anni ha focalizzato la sua ricerca sulla propagazione e l amplificazione della luce in mezzi disordinati, collaborando con gruppi sperimentali per la verifica delle previsioni teoriche. Ha studiato il problema della creazione di luce laser in mezzi disordinati e della caratterizzazione di tale emissione in diversi tipi di composti, inclusi casi in cui l emissione luminosa assume proprietà equivalenti, da un punto di vista formale, a quelle delle fluttuazioni di densità nei sistemi vetrosi.
Nel campo dell applicazione dei metodi di fisica statistica per i sistemi complessi a sistemi fotonici è coinvolto nello studio della propagazione della luce attraverso mezzi disordinati e complessi, in cui i modi di luce interagiscono sia linearmente che non-linearmente, e della ricostruzione del network di interazioni tra i modi di luce.
Sul fronte del calcolo computazionale è esperto di simulazioni numeriche e di risoluzione numerica di problemi complessi e non-lineari, in particolari con codici sviluppati ad hoc per schede grafiche GPU. Questo know how è fondamentale ai fini della riuscita del progetto NanoProbe. Infatti, l approccio dell inferenza statistica, che consiste nella risoluzione sincrona di operazioni relativamente semplici su una grossa mole di dati rappresentati da numeri in virgola mobile, è particolarmente efficiente se implementato in parallelo su GPU.
Indici bibliometrici (fonte Google Scholar): Citazioni 1891, h-index 25