Lunedì 4 maggio 2026 - Ore 14:15 - Aula 22
Prof. Marco Ciardi - Università degli Studi di Firenze
  Seminario  

Dopo i brillanti risultati ottenuti nel corso del periodo risorgimentale, soprattutto grazie alla scuola pisana di Raffaele Piria, la chimica italiana inizia a strutturarsi su scala nazionale, avendo soprattutto come punto di riferimento l'opera di Stanislao Cannizzaro, ormai una celebrità a livello internazionale. L'intervento si soffermerà su alcuni dei protagonisti della ricerca chimica tra Ottocento e Novecento, cercando di delineare il contesto istituzionale della disciplina e le principali tradizioni di ricerca, fino all'avvento del fascismo.

Martedì 12 maggio 2026 – A partire dalle ore 14:30 – Aula 20
Dipartimento di Chimica e Chimica Industriale

  Discussione Tesi DSCM  

Matteo Pugliesi - 38° ciclo della Scuola di Dottorato in Scienze Chimiche e dei Materiali (DSCM)
"Design of earth-abundant transition metal-based electrocatalysts for sustainable electrolysis"
Supervisori: Dr. Claudio Evangelisti and Prof. Fabio Marchetti

Matilde Benedettini - 38° ciclo della Scuola di Dottorato in Scienze Chimiche e dei Materiali (DSCM)
"Analysis and development of hydrophobic and oleophobic fluorine-free modifiers for paper"
Supervisori: Prof. Valter Castelvetro and Prof. Marco Lessi

Giovedì 14 maggio 2026 - Ore 14:00 - Aula 32
Prof.ssa Cecilia Clementi - Department of Physics, Freie Universität Berlin
  Seminario  

The last years have seen an immense increase in high-throughput and high-resolution technologies for experimental observation as well as high-performance techniques to simulate molecular systems at a microscopic level, resulting in vast and ever-increasing amounts of high-dimensional data. However, experiments provide only a partial view of macromolecular processes and are limited in their temporal and spatial resolution. On the other hand, atomistic simulations are still not able to sample the conformation space of large complexes, thus leaving significant gaps in our ability to study molecular processes at a biologically relevant scale. We present our efforts to bridge these gaps, by exploiting the available data and using state-of-the-art machine-learning methods to design multiscale models for complex macromolecular systems. We show that it is possible to define simplified molecular models to reproduce the essential information contained both in microscopic simulation and experimental measurements.