# Dall'aerospaziale all'AI: cosa la turbolenza mi ha insegnato sul machine learning

> Ho iniziato con la fluidodinamica computazionale a Sharif e sono finito a rilasciare AI in produzione in Italia. Il percorso è meno strano di quanto sembri — entrambi riguardano la modellazione di sistemi troppo complessi da risolvere esattamente.

- URL: https://mojtabaamini.com/writing/aerospace-to-ai
- Language: it
- Author: Mojtaba Amini, AI Software Engineer (Verona, Italy)
- Details: Jul 2026 · 8 min di lettura · Career · AI

Le persone si stupiscono quando vedono una laurea magistrale in ingegneria aerospaziale in cima al CV di un AI engineer. Non dovrebbero. Fluidodinamica computazionale e machine learning sono la stessa disciplina con vestiti diversi: entrambe prendono un sistema troppo complesso da risolvere esattamente e costruiscono un modello comunque utile.

La mia magistrale a Sharif era sulla combustione turbolenta premiscelata. La turbolenza è il problema difficile per antonomasia in fisica — un sistema con così tante scale interagenti che la simulazione diretta è impossibile per qualsiasi geometria reale. Quindi non simuli ogni vortice. Costruisci un modello sub-grid che cattura le statistiche delle piccole scale e le restituisce alla simulazione risolta. Ho passato due anni ad aggiungere un Linear Eddy Model a CANTERA, tra C++, Fortran e Python.

Quel lavoro mi ha insegnato tre abitudini che uso ogni giorno come AI engineer. Primo: rispetta il processo che genera i dati. In CFD non puoi fittare un modello che viola la conservazione della massa; in ML non puoi fittare un modello che ignora come i dati sono stati prodotti. Secondo: la validazione è tutto il lavoro. Un modello di combustione che combacia con un esperimento e diverge sul successivo è inutile; così è un modello con il 95% di accuratezza che fallisce sui casi che interessano davvero al business. Terzo: il modello non è mai il deliverable. In ricerca era un paper e una pipeline riproducibile. In industria è una feature rilasciata che qualcuno apre di martedì.

La transizione è passata per una magistrale in Data Science all'Università di Padova — il ponte formale dalla fisica continua all'apprendimento statistico. Ma il vero ponte era la mentalità. Un ingegnere che ha modellato la turbolenza per anni non è intimidito da una rete neurale. È solo un altro approssimatore di funzioni per un sistema troppo complesso da scrivere.

Se sei un fisico o un ingegnere che si chiede se il suo background si trasferisce all'AI: si trasferisce, e più direttamente di quanto pensi. Le equazioni specifiche non passano. La disciplina di modellare un sistema che non vedi del tutto — quello è tutto il lavoro, e lo fai da sempre.