MUSICA, ACUSTICA E AGRICOLTURA: L’INGEGNERIA CHE GUARDA LONTANO
Sette studenti completeranno la Laurea Magistrale tra innovazione, esperienza sul campo e legami profondi
Giovedì 11 dicembre ultimo appello di Laurea Magistrale del 2025: in alto i cappelli per 7 giovani che conseguiranno il titolo di Laurea Magistrale in Ingegneria, coronando il loro sogno dopo due anni di impegno e studio, con la serenità che il mondo lavorativo è pronto ad accoglierli.
Saranno 6 gli studenti che completeranno il loro percorso in Music and Acoustic Engineering mentre una studentessa diventerà Ingegnere dell’Agricoltura.
Quest’ultima presenterà il proprio elaborato alla Commissione di laurea alle ore 11.30.
Dei 6 laureandi iscritti alla prima ed unica Laurea Magistrale in Italia interamente dedicata all’ingegneria della musica e dell’acustica, 5 hanno scelto di approfondire la loro preparazione in tema di informatica musicale ed elaborazione del suono, mentre una laureanda si è concentrata sull’acustica.
Le discussioni delle loro tesi sono previste dalle ore 10.30 alle ore 12.30.
Un’unica proclamazione, prevista per le ore 13.00, celebrerà la conclusione di entrambi i Corsi di Laurea Magistrale.
Le esperienze vissute durante il percorso, tra progetti innovativi, attività pratiche, contatti con le aziende e un forte spirito di comunità, hanno rappresentato un elemento determinante per la crescita personale e professionale.
Per Virginia, laureanda in Agricultural Engineering, le numerose esperienze dirette sul territorio e nelle aziende hanno rappresentato un valore aggiunto e di arricchimento:
“Siamo andati molte volte in aziende agricole, nello specifico quelle legate alle vacche da latte, dove, oltre ad apprendere le varie fasi di vita della raccolta del latte, siamo venuti a contatto con la realtà del biogas. Inoltre, siamo andati al Crea dove svolgono test sull’agricoltura di precisione; poi siamo andati in una fabbrica dove abbiamo appreso tutta la linea di produzione dei mangimi delle vacche. Inoltre ho partecipato al Passion in Action sulla parete verticale e ho potuto avere modo di toccare con mano come funziona una parete verticale con coltura idroponica.”
Così come per Alice, laureanda in Music and Acoustic Engineering, che anche all’interno del suo Corso di Laurea Magistrale ha potuto approfondire i contenuti di alcuni insegnamenti con esperienze sul campo: “Durante il corso di Music Production Technologies abbiamo visitato gli studi di registrazione dei due docenti. È stato estremamente interessante perché è un’occasione unica per assistere al lavoro di un produttore musicale e per visitare uno studio di registrazione.”
Alice, che ha scelto il track Music, ha riconosciuto nella sua formazione precedente in Ingegneria Informatica una significativa utilità soprattutto per stare al passo con i corsi del primo semestre del primo anno e racconta come è nata la sua scelta: “Durante l’ultimo anno di Laurea Triennale in Ingegneria Informatica qui al Politecnico di Milano, mi sono informata sulle possibili Lauree Magistrali che offriva l’università, e MAE ha catturato subito la mia attenzione. Approfondendo l’offerta formativa del Corso, ho scoperto che la mia preparazione in Ingegneria Informatica era ottimale per iniziare MAE. Inoltre, gli insegnamenti erano interessanti e molto stimolanti, e ho confermato la mia iscrizione senza pensarci due volte.”
Francesca, laureanda in Music and Acoustic Engineering che ha focalizzato la sua preparazione sul track Acoustic, è completamente soddisfatta della scelta che ha compiuto due anni fa e dovendo descrivere il proprio percorso ha dichiarato: “Per me è stato giusto, al posto giusto e al momento giusto.”
Interessata a lavorare nel settore dell’audio spaziale per esperienze di realtà virtuale e aumentata, ha fatto di questo tema l’argomento della tesi che presenterà alla Commissione: “La mia tesi è incentrata sullo sviluppo di un sistema che permetta l’esecuzione di test d’ascolto in ambienti immersivi per la valutazione della qualità dell’audio spaziale.” precisando ”la lunghezza della descrizione forse rende l’idea della quantità di aspetti da considerare affinché funzioni tutto ed è stata questa la parte più interessante: l’equilibrio da mantenere tra rigore scientifico, funzionalità, efficienza ed esperienza utente.”.
L’importanza della dimensione umana di questi anni di studio, dei legami e delle profonde amicizie nate tra le aule, sia quelle storiche di Via Sesto che quelle di questo nuovo Campus, è un elemento ricorrente, è l’emozione che va oltre un compito ben fatto o il voto di un esame, che rimarrà custodito nella memoria di questi giovani laureandi che dopo il conseguimento del titolo prenderanno strade diverse. Virginia lo racconta con un’immagine che racchiude perfettamente questo spirito: “Ci siamo aiutati nello studio ma anche nell’affrontare la vita da fuorisede. C’è stato feeling con tutti e forse proprio il fatto che provenissimo da facoltà diverse e da Paesi diversi ci ha unito ancor di più perché abbiamo visto nell’altro qualcosa di diverso, da cui imparare e apprendere nuovi modi di vedere il mondo. Abbiamo studiato insieme, ci siamo alleati contro le avversità senza mai creare momenti di competizione. Siamo stati amici di banco e ora siamo amici di vita.”
Anche questo ultimo appello del 2025 conferma la ricchezza e la varietà dei percorsi formativi del Campus cremonese del Politecnico di Milano, dove studio, sperimentazione, comunità e innovazione si intrecciano nel costruire il futuro professionale dei nuovi ingegneri.
Segue l’elenco dei laureandi con il titolo della tesi e l’abstract, di chi ha dato il consenso all’invio, divisi per corso di studio:
AGRICULTURAL ENGINEERING
-
GAJ VIRGINIA
Titolo tesi: Biodiversity analysis of nocturnal lepidoptera in conventional and regenerative agricultural systems under varying levels of anthropogenic management: a case study of Davines village.
Abstract
La presente tesi analizza come varia la biodiversità dei lepidotteri notturni in sistemi agricoli caratterizzati da differenti intensità di gestione e gradi di disturbo antropico. Lo studio è stato condotto tra agosto 2024 e luglio 2025 all’interno del Davines Village di Parma e nei campi limitrofi, comprendendo quattro ambienti: il Giardino Scientifico, il km Verde, l’European Regenerative Organic Center (EROC) e un campo a gestione convenzionale. Il campionamento è stato effettuato con cadenza quindicinale durante la notte, mediante una trappola luminosa UV attinica. Gli individui catturati sono stati identificati e classificati, e i dati elaborati in Python per svolgere un’analisi esplorativa dei dati (EDA). La biodiversità è stata valutata tramite gli indici di Simpson (α-diversità) e di Jaccard (β-diversità), al fine di caratterizzare la diversità all’interno e tra i diversi ambienti. I risultati mostrano che il sito EROC, gestito secondo i principi dell’agricoltura rigenerativa, presenta la biodiversità più elevata, seguito dal Giardino Scientifico, mentre km Verde e il campo convenzionale mostrano valori inferiori. L’esclusione delle specie migratorie e dominanti ha ridotto la biodiversità complessiva ma non ha modificato l’ordine dei siti. Eliminando inoltre il Giardino Scientifico – influenzato dall’illuminazione artificiale – EROC si conferma come l’ambiente più ricco e stabile nel tempo. Nel complesso, lo studio dimostra che l’agricoltura rigenerativa favorisce una biodiversità più elevata e stabile rispetto ai sistemi convenzionali, evidenziando l’importanza della gestione sostenibile del suolo, della diversità vegetale e della riduzione dell’inquinamento luminoso nel mantenimento di comunità di falene sane.
MUSIC AND ACOUSTIC ENGINEERING
BENZO MATTEO
Titolo tesi: Lightweight On-Device Anti-Spoofing Detection using Ternary Neural Networks
Abstract
I recenti sviluppi nel campo dell’AI hanno reso possibile, per il grande pubblico, generare Deepfake, audio e video di persone estremamente realistici seppur artificialmente generati, in modo semplice, veloce ed economico. Questo fenomeno, unito al crescente impiego di sistemi di riconoscimento biometrico, utilizzati per accedere a informazioni private, ha l’inevitabile conseguenza di porre in pericolo la sicurezza e la privacy dei dati di ognuno. Per affrontare queste minacce, sono state proposte diverse architetture di DL rivelatesi efficaci, tuttavia, i grossi costi computazionali di questi metodi rappresentano un importante ostacolo al loro effettivo utilizzo su dispositivi con risorse limitate, come gli smartphones. In questa tesi, ci concentriamo sull’aspetto audio del problema: proponiamo una versione ternarizzata dell’architettura LCNN, un modello ampiamente affermato per la rilevazione di Deepfake in un sistema per l’ASV e dimostriamo che ottiene una significativa riduzione sia nel costo computazionale che nei requisiti di memoria, preservando allo stesso tempo le prestazioni di rilevazione, rispetto a quelle del modello state-of-art RawTFnet-16, specificatamente progettato per ottenere elevate prestazioni con un ridotto numero di parametri. La complessità computazionale della rete è stata misurata in termini di MACs, evidenziando una riduzione del numero di operazioni pari al 98.8%, mentre i requisiti di memoria sono stati valutati confrontando direttamente le dimensioni dei file .pth dei modelli, rilevando un calo del 55.5%. Infine, le prestazioni di rilevazione sono state analizzate attraverso tre diverse metriche: AUC, EER e Balanced Accuracy.
Del GAUDIO FRANCESCA
Titolo tesi: VR-PTOLEMAIC: a framework for the subjective assessment of spatial audio algorithms in virtual environments
Abstract
La valutazione percettiva di algoritmi di spazializzazione audio costituisce una fase cruciale nello sviluppo delle applicazioni audio immersive, in quanto consente di garantire che il campo sonoro percepito rispetti elevati standard di qualità in termini di esperienza d’ascolto, percezione spaziale e realismo uditivo. A tal fine, la realtà virtuale può rappresentare una piattaforma efficace, fornendo ambienti di test immersivi e interattivi. In questa tesi viene presentato VR-PTOLEMAIC, un sistema di valutazione in realtà virtuale progettato a supporto dell’analisi e del confronto di algoritmi di audio spaziale. Il framework proposto integra metodologie consolidate di valutazione della qualità sonora all’interno di ricostruzioni virtuali di ambienti reali. Attraverso un visore e delle cuffie, gli utenti hanno la possibilità di esplorare virtualmente lo spazio d’ascolto durante la valutazione soggettiva di algoritmi di audio spaziale e, grazie alle capacità di tracciamento del movimento del sistema VR, il processamento del campo sonoro avviene in tempo reale. In particolare, sono stati implementati e testati due possibili scenari reali, caratterizzati da differenti proprietà acustiche: una teleconferenza in un’aula per seminari ed un concerto dal vivo in un auditorium. Le performance del metodo di valutazione sono state verificate mediante una campagna preliminare di test e, successivamente, in uno scenario applicativo reale in cui è stato richiesto agli utenti di confrontare le capacità di ricostruzione di diversi algoritmi di ricostruzione del campo sonoro. I risultati indicano che la piattaforma VR supporta in modo efficace la valutazione di algoritmi di audio spaziale, ricevendo riscontri positivi in termini di esperienza d’uso e grado di immersività.
MARAZZI ALICE
Titolo tesi: Self-Supervised Models for Synthetic Speech Detection
Abstract
Negli ultimi anni abbiamo assistito a un progresso nello sviluppo di tecniche per la generazione di audio sintetici. Oggi la loro qualità è migliorata e gli audio creati con queste tecniche risultano estremamente realistici e difficili da distinguere dai segnali audio contenenti una voce reale. Inoltre, queste tecniche stanno diventando sempre più popolari e accessibili. Il loro utilizzo improprio, ad esempio ai fini di impersonificazione o di diffusione di disinformazione, ha reso inevitabile lo sviluppo di contromisure, tecniche che sono in grado di distinguere un audio sintetico da un segnale autentico, con l'obiettivo di prevenire l'intensificazione di tali attacchi malevoli. Queste contromisure sono modelli che estraggono le feature acustiche più rilevanti da un file audio sconosciuto che contiene parlato e li analizzano con un classificatore che classifica il segnale come reale o deepfake. In questa tesi abbiamo analizzato le prestazioni di WavLM, un modello self-supervised di estrazione delle feature basato sullo schema HuBERT che estrae le feature acustiche più rilevanti con una rete neurale convoluzionale e un codificatore Transformer. WavLM è un modello ideale per applicazioni audio perché è in grado di riconoscere pattern prolungati in un segnale, poiché non lavora a livello di frame. Abbiamo applicato WavLM in tre esperimenti di rilevazione di audio sintetici, in cui il modello è stato allenato su diversi insiemi di dati ed è poi stato testato su un totale di sei dataset. I tre modelli di allenamento sono i seguenti: un modello allenato su campioni reali e sintetici provenienti da un unico dataset (ASVspoof2019), un modello allenato su un sottoinsieme generalizzato di dati reali (con campioni da cinque insiemi di dati) abbinato ai campioni fake di ASVspoof2019, e un modello di rilevazione di anomalie allenato solo su campioni reali di cinque dataset. Abbiamo testato questi tre modelli su diversi classificatori, utilizzando un classificatore supervised come riferimento e paragonando le sue prestazioni a un insieme di classificatori unsupervised che include rilevatori di anomalie e algoritmi di raggruppamento. Abbiamo inoltre studiato le prestazioni di Wav2Vec 2.0, un altro estrattore di feature self-supervised che è una sorta di precursore di WavLM, per dimostrare che, nella maggior parte dei casi, WavLM funziona meglio quando applicato a campioni contenenti parlato.
