Loading...

Progetti PRIN-PNRR

Il Piano Nazionale di Ripresa e Resilienza (PNRR) “Italia domani” è un vasto programma di riforme -tra cui Pubblica amministrazione, giustizia, semplificazione della legislazione, concorrenza, fisco -accompagnato da adeguati investimenti.

Il PNRR si inserisce all’interno del programma Next Generation EU (NGEU), spesso definito anche “Recovery fund”, il pacchetto da 750 miliardi di euro, costituito per circa la metà da sovvenzioni, concordato dall’Unione Europea in risposta alla crisi pandemica. Per la prima volta, il debito comune europeo finanzierà un programma di ripresa post pandemia dei Paesi Ue. La principale componente del programma NGEU è il Dispositivo per la Ripresa e Resilienza (Recovery and Resilience Facility, RRF), che ha una durata di sei anni, dal 2021 al 2026, e una dimensione totale di 672,5 miliardi di euro.

Con il bando “PRIN 2022 PNRR” del il 14 settembre 2022 (D.D. 1409/2022), il MUR finanzia progetti di ricerca pubblica aventi ad oggetto uno dei temi strategici emergenti correlati agli obiettivi di un cluster del Programma quadro europeo di ricerca e innovazione 2021-2027. L’obiettivo del bando è promuovere il sistema nazionale della ricerca, rafforzare le interazioni tra università ed enti di ricerca, in linea con gli obiettivi tracciati dal PNRR, e favorire la partecipazione italiana alle iniziative relative al Programma Quadro di ricerca e innovazione dell’Unione Europea.

MULTIPASS – MULTIPle trAcker for Secondary particleS monitoring

Codice Progetto: P2022FZAC3

Coordinatore: INFN Milano

Referente CREF: Michela Marafini

This project aims to develop a new technology for detecting secondary radiation of different types (prompt photons, protons, and neutrons) in the framework of particle therapy. This multipurpose tracker is a compact detector made of plastic scintillating fibers, read by integrated electronics, designed to meet geometry and timing constraints.

Triple T – Tackling a just Twin Transition: a Complexity Approach to the Geography of Capabilities, Labour Markets and Inequalities

Coordinatore: Angelica Sbardella (CREF)

Partner Scuola Superiore di Studi Avanzati Sant’Anna di Pisa

Codice progetto:  P2022B5S5J

Triple T presents an ambitious interdisciplinary research agenda that plans to identify the capabilities and the policy strategies needed to lead economies towards a just twin transition – i.e. the combination and mutual reinforcement of the digital and sustainable transition. Triple T aims to obtain far-reaching advances in understanding the asymmetries across sectors, countries and regions that the transition may entail in knowledge generation, labour markets, and environmental and socio-economic inequalities. The multifaceted nature of such societal transformation, wherein geographical, structural and institutional elements interact, calls for a complexity perspective suitable to analyse a scenario characterised by interlinkages and trade-offs.

CODE – Coupling Opinion Dynamics with Epidemics

Coordinator Stefano Guarino CNR

Referente CREF: Fabio Saracco

Partner Marco Brambilla, Politecnico di Milano

Codice Progetto: P2022AKRZ9

 

The CODE (Coupling Opinion Dynamics with Epidemics) project aims to investigate the coupling between virtual interactions, leading to opinion formation, and physical interactions, which cause the spreading of epidemics. We will implement an efficient and scalable open-source tool to simulate the spread of infectious diseases in a large-scale geo-localized population and generate alternative counterfactual scenarios. The tool will be made available to policy-makers and stakeholders interested in evaluating the combined impact of mitigation interventions and (dis)information campaigns.

REal-time motion CorrEctioN in magneTic REsonance 

Coordinamento: Sapienza Univesrità di Roma

Referente CREF : Federico Giove

Partner: CNR, INFN, Università Federico II

Codice Progetto: P202294JHK

 

The RECENTRE project proposes a novel high-speed, real-time prospective motion correction technique for MR spectroscopy of the human brain. The technique is based on modern Deep Learning methods, which provide a potential avenue for dramatically reducing the computation time and improving the convergence of retrospective motion correction while overcoming the limits of the current state-of-the-art prospective methods that are incapable of coping with complex motion patterns.