Graph Neural Networks: la nuova difesa europea contro i droni

Le Graph Neural Networks stanno ridisegnando gli scenari della difesa anti-drone in Europa.

Entro il 2027, il continente dovrà proteggere i propri confini orientali con tecnologie capaci di prevedere e neutralizzare sciami coordinati in movimento.

La sfida è complessa: sistemi distribuiti, sensori mobili, interazioni che cambiano in tempo reale.

Il drone wall europeo e le sfide della difesa dinamica

I sistemi complessi — come le infrastrutture urbane, le reti energetiche, gli ecosistemi naturali o i campi di battaglia — sono caratterizzati da interazioni non lineari e dinamiche tra componenti distribuite. I modelli neurali basati su grafi (Graph Neural Networks, GNNs) si distinguono per la capacità di rappresentare queste interazioni attraverso strutture flessibili, in cui nodi e archi modellano entità e relazioni. Quando i dati provengono da sensori mobili, come droni o veicoli autonomi, la sfida si amplifica: le osservazioni sono sparse nel tempo e nello spazio, e la topologia del sistema può evolvere.

Il “muro europeo anti-droni” (noto anche come “drone wall” o “anti-drone shield“, un termine scelto per ricordare gli “shield wall” usati dai Vichinghi a protezione delle truppe) è un’iniziativa di difesa promossa dall’Unione Europea per proteggere i suoi confini orientali da incursioni di droni, con un obiettivo di piena operatività entro il 2027, in risposta a minacce di avversari vicini. Il sistema coinvolgerà tecnologie di rilevamento, neutralizzazione e coordinamento di sensori, radar, jammer e unità autonome, in un contesto dinamico con unità mobili. Come vedremo in questo articolo, basare tale sistema su GNN offre numerosi vantaggi, sfruttando la capacità dei grafi di modellare relazioni complesse, interconnessioni e cambiamenti temporali.

Due approcci a confronto: griglie autoreggressive e modelli a grafo

Per prevedere lo stato di un sistema in cui i droni interagiscono in modo dinamico disponiamo di due metodi principali: (1) le griglie di modelli autoregressivi, che suddividono lo spazio in celle discrete bi- o tridimensionali e applicano previsioni locali sulla base delle rilevazioni precedenti e su quelle delle celle vicine, e (2) i modelli neurali olistici basati su grafi (GNN), che considerano l’intero sistema come una rete interconnessa la cui topologia varia nel tempo. Il confronto tra questi due metodi si concentra su aspetti quali l’accuratezza, la scalabilità, la gestione della complessità e, in particolare, la capacità di catturare relazioni che evolvono nel tempo.

Griglie autoreggressive: funzionamento e limiti dei modelli tradizionali

Questo metodo divide il campo di applicazione (un campo di battaglia, oppure un ambiente urbano in cui occorre portare soccorsi in caso di catastrofe [Damiani NATO]) in una griglia (una matrice di celle 2D o 3D), in cui ogni cella rappresenta una porzione limitata del terreno. Per ciascuna cella, si applica un modello autoregressivo (AR), cioè basato sulla regressione dei valori precedenti della variabile da predire. Esempi tipici sono i modelli ARIMA (Autoregressive Integrated Moving Average) o varianti neurali come LSTM (Long Short-Term Memory), ma sempre in un contesto autoregressivo.

Ogni modello autoregressivo prevede lo stato futuro di una cella in base ai suoi stati passati e, eventualmente, a quelli delle celle adiacenti (ad esempio, usando convoluzioni per catturare dipendenze locali). Per gestire le unità mobili, il movimento viene simulato spostando gli “stati” tra le celle, con le previsioni che si propagano in modo sequenziale, generando un passo temporale alla volta. Ad esempio, in un campo di battaglia, una cella potrebbe prevedere la densità di unità nemiche sulla base di osservazioni precedenti, assumendo che le influenze siano prevalentemente locali (le unità sono autotrasportate, ma si spostano solo tra celle vicine).

L’approccio a griglia nell’industria aerospaziale: vantaggi e criticità

L’approccio a griglia è attualmente molto utilizzato dall’industria aerospaziale europea (e non solo [Banimfreg, 2025]) per la sua semplicità e parallelizzabilità: i modelli per ciascuna cella possono essere addestrati ed eseguiti in parallelo, rendendo l’approccio a griglia efficiente per hardware distribuito. Inoltre, la tecnica a griglia garantisce un’interpretazione facile delle previsioni nell’analisi post-evento. D’altro canto, l’evoluzione delle tecnologie sul campo ha aumentato il ruolo delle interazioni a lunga distanza. Le relazioni tra unità distanti (es. un attacco coordinato da più fronti) richiedono propagazioni multiple attraverso la griglia, che possono accumulare errori e rendere la previsione inaffidabile.

Inoltre, i modelli AR sono sequenziali e dipendono da una griglia di risoluzione fissa; cambiamenti improvvisi (es. un’unità che salta celle per un movimento rapido) possono causare instabilità. Con l’aumento della mobilità, la griglia diventa densa e computazionalmente costosa, soprattutto in ambienti 3D o con elevata mobilità. In sintesi, l’approccio classico basato su modelli AR a griglia è “locale e sequenziale“, eccellente per previsioni a breve termine in sistemi con dipendenze spaziali fisse, ma presenta problemi nei sistemi in cui le interazioni possono essere non locali e imprevedibili.

Graph Neural Networks: rappresentazione olistica dei sistemi di difesa

Una GNN (Graph Neural Network) o una sua variante dinamica come Temporal Graph Network (TGN) o Graph Transformer rappresenta un territorio da difendere come un grafo: le unità mobili sono nodi (con attributi come posizione, velocità, stato e appositi metadati semantici che ne chiariscono la natura) e le interazioni lungo linee di visibilità (line-of-sight) sono archi con pesi che rappresentano intensità o probabilità. Il grafo cattura l’intero sistema in modo olistico: i nodi si connettono dinamicamente in base a regole fisiche o apprese (ad esempio, una distanza line-of-sight non euclidea che tiene conto della visibilità).

La previsione avviene attraverso la propagazione di messaggi tra i nodi (message passing), dove ogni nodo aggiorna il suo stato considerando i vicini nel grafo. Il grafo evolve nel tempo: gli archi possono formarsi o dissolversi (es. un’unità entra nel raggio di percezione di un’altra), consentendo di fare previsioni anche su stati futuri alternativi con diversi livelli di confidenza. La GNN può prevedere il movimento di un drone considerando non solo la sua traiettoria passata, ma anche relazioni a livello globale che possono diventare note a chi lo pilota, come la posizione delle difese, il terreno e gli obiettivi strategici (comprese le persone in movimento).

Il grafo anti-droni integra facilmente dati multimodali tradizionalmente difficili da integrare (ad esempio, sensori radar e immagini [Delle Monache et al. 2023]) e non è vincolato a una griglia. È quindi adatto a terreni irregolari o unità con mobilità arbitraria, cattura interazioni non locali e emergenti, come coalizioni dinamiche o effetti a catena (es. un attacco in un’area influenza distantemente un’altra).

Prestazioni comparative: accuratezza, scalabilità e gestione temporale

I problemi ancora aperti dei modelli a grafo riguardano il loro addestramento: addestrare una GNN richiede più dati e risorse rispetto ai modelli AR locali, soprattutto per grafi grandi, e beneficerà delle architetture di supercalcolo europee. Inoltre, le previsioni complessive della GNN sono meno facili da interpretare rispetto a quelle locali di una griglia, il che rende difficile spiegare decisioni specifiche. Il modello olistico basato su grafi offre previsioni più accurate in ambienti dinamici, riducendo l’errore cumulativo grazie alla visione d’insieme (gli studi su simulazioni militari mostrano che le GNN riducono l’errore di previsione del 20-30% in scenari con alta mobilità rispetto ai metodi basati su griglia [Pfaff et al., 2020].

La griglia scala linearmente con la dimensione dello spazio, ma se le celle sono dimensionate in base al contenuto diventa inefficiente con densità crescente di unità (complessità asintotica O(n²), dove n è il numero di nodi). Le GNN scalano meglio con la sparsità dei grafi (O(e), dove e è il numero di archi), ideali per campi di battaglia reali in cui non tutte le unità interagiscono con tutte le altre. Infine, la griglia AR è puramente sequenziale e sensibile a orizzonti di previsione troppo lunghi. Le GNN possono incorporare meccanismi temporali (es. recurrenti o attention-based, come quelli degli LLM) per ottenere previsioni multi-step più stabili.

Relazioni dinamiche: il vantaggio competitivo delle GNN

Il vero punto di forza del modello neurale olistico basato su grafi risiede nella sua capacità di modellare relazioni dinamiche e temporali, che nei nuovi scenari di difesa evolvono rapidamente a causa di droni che cambiano posizione o stato. A differenza della griglia AR, che assume dipendenze fisse o locali e aggiorna gli stati in modo rigido, le GNN utilizzano grafi dinamici i cui archi possono essere aggiornati a ogni timestep in base a regole apprese (es. un arco “attacco” appare quando due unità entrano in raggio visivo e scompare quando una delle due è neutralizzata). Questo cattura i cambiamenti, come fusioni di unità o rotture di formazioni. Le varianti delle GNN, come TGN o Evolving Graph Networks, incorporano embedding temporali, permettendo al modello di apprendere come le relazioni passate influenzino il futuro (es. un’unità impara dai comportamenti storici dei droni nemici, prevedendo traiettorie basate su relazioni che mutano). I meccanismi di attenzione come le Graph Attention Networks (GAT) pesano dinamicamente le relazioni, focalizzandosi su quelle più rilevanti in un dato momento (ad esempio, prioritarizzando relazioni tra formazioni di drone minacciose che si avvicinano).

In conclusione, mentre una griglia di modelli autoregressivi è adatta a previsioni locali e semplici, il modello olistico basato su grafi è superiore per sistemi complessi come un campo di battaglia, grazie alla sua capacità di adattarsi a relazioni fluide e temporali, il che porta a previsioni più robuste e realistiche. Per applicazioni reali, una combinazione ibrida (es. GNN su griglia) potrebbe ottimizzare entrambi gli approcci.

Caso d’uso: difesa contro sciami coordinati di droni

Consideriamo un’area sensibile (ad es. una base militare, un’infrastruttura critica o un convoglio mobile) minacciata da uno sciame di droni attaccanti. I droni sono numerosi e si muovono in modo coordinato, sfruttando strategie evasive e percorsi non lineari. La difesa dispone di:

• Sensori mobili (droni da ricognizione, radar su veicoli autonomi, torri mobili) che raccolgono dati in tempo reale su posizione, velocità, segnali a radiofrequenza, e condizioni ambientali.
• Unità anti-drone (laser, jammer, intercettori) che devono essere dislocate dinamicamente per neutralizzare la minaccia.

La GNN viene impiegata per modellare il comportamento collettivo dei droni attaccanti come un grafo dinamico:

• Nodi: ogni drone rilevato, con attributi come posizione, velocità, firma radar, pattern di comunicazione.
• Archi: relazioni dinamiche tra droni (es. distanza, co-movimento, comunicazione), che evolvono nel tempo.
• Input: sequenze spazio-temporali di osservazioni parziali raccolte da sensori mobili.
• Output: predizione delle traiettorie dei droni, con stima dell’incertezza.

Il modello GNN apprende le tecniche di manovra collettiva usate per l’attacco (es. formazioni, divergenze, attacchi a tenaglia) e le generalizza anche in presenza di dati rumorosi o incompleti. In questo modo le risorse anti-drone possono essere preposizionate in modo proattivo, anticipando le traiettorie più probabili. Inoltre, i sistemi di difesa possono ottimizzare l’allocazione energetica, attivando i jammer solo nella zona prevista di attacco. Infine, le unità mobili possono coordinarsi in tempo reale, sfruttando le predizioni condivise tramite una rete federata [Damiani 2024].

Edge AI e sicurezza: resilienza e riservatezza dei dati

Per garantire un’elevata resilienza e una latenza minima, le GNN vengono eseguite su server di calcolo montati su droni da ricognizione, evitando la dipendenza dalle connessioni terrestri. Si impiegano tecniche di federated learning per addestrare i modelli in modo distribuito, preservando la riservatezza dei dati sensibili, integrando meccanismi di verifica crittografica (es. firme digitali, blockchain) per garantire l’integrità delle predizioni condivise [Eledlebi et al., 2024].

Questo tipo di applicazione è coerente con le ricerche del SESAR Lab dell’Università di Milano sull’uso di GNN in sistemi distribuiti e resilienti [Damiani and Wang, 2025], [Wang et al., 2025] e rappresenta un caso emblematico in cui l’Europa può sviluppare una leadership strategica, combinando AI, edge computing e sicurezza.

Leadership europea: opportunità strategiche e tecnologie chiave

Mentre gli Stati Uniti dominano gli investimenti privati e la Cina sta pianificando applicazioni su larga scala dei droni civili e militari, l’Europa può distinguersi per approcci etici, sostenibili e interoperabili alla difesa anti-drone. La leadership europea dovrebbe emergere nella standardizzazione dei modelli GNN per ambienti regolati, nella formazione di talenti multidisciplinari, e soprattutto nella creazione di ecosistemi di testbed reali, ad esempio in zone rurali o urbane intelligenti. Le principali tecnologie abilitanti su cui concentrare gli sforzi europei sono gli standard emergenti per la rappresentazione di grafi dinamici e i sistemi open source europei da integrare in PyTorch Geometric e DGL (Deep Graph Library), che facilitino la prototipazione di GNNs. Come abbiamo già sottolineato su queste pagine, serve anche una nuova generazione di hardware edge-oriented, da contrapporre a NVIDIA Jetson e Google Coral, per l’esecuzione locale di modelli neurali. La Tabella 1 contiene una panoramica delle principali librerie utili per la predizione della traiettoria di droni attaccanti:

Iniziative europee: sovranità tecnologica e interoperabilità

L’Europa, con le sue iniziative portabandiera Horizon Europe e GAIA-X, può assumere un ruolo guida, investendo in ricerca interdisciplinare tra AI, robotica e ingegneria dei sistemi complessi e promuovendo la sovranità tecnologica, evitando dipendenze da piattaforme USA o cinesi. Nel programma Horizon Europe, progetti come MobiSpaces hanno già esplorato l’uso dei dati provenienti da sensori mobili per la mobilità. Estendere questi framework a scenari di sicurezza e difesa, con GNN spazio-temporali, rappresenta un’opportunità strategica per rafforzare la sovranità tecnologica europea in settori sensibili. Questa posizione di forza europea è ulteriormente corroborata dall’iniziativa SEMIC (Semantic Interoperability Centre Europe) della Commissione, che promuove attivamente la definizione di metadati per l’interoperabilità digitale.

Conclusioni: il vantaggio competitivo europeo nelle GNN

Le reti neurali a grafo (GNN), che modellano le informazioni e le loro relazioni come nodi collegati da archi, offrono un quadro interessante per domini in cui la struttura e l’interdipendenza sono importanti. Le GNN eccellono nella modellazione dei dati generati da reti di sensori, da veicoli terrestri senza pilota e da droni. A differenza degli LLM, le GNN catturano le dipendenze spaziali e le dinamiche relazionali direttamente dalla loro architettura. Sebbene l’Europa sia in ritardo rispetto a Stati Uniti e Cina in termini di infrastrutture per gli LLM, il Vecchio Continente detiene una posizione di forza nel process mining e nelle tecnologie semantiche. In quanto concorrenti e complementari agli LLM, le GNN offrono robustezza, interpretabilità e precisione specifica per dominio. L’Europa, con la sua ricca tradizione nella teoria dei grafi e nelle tecnologie semantiche, si trova in una posizione unica per guidare lo sviluppo globale delle GNN, bilanciando i suoi attuali limiti nello sviluppo degli LLM con investimenti strategici nell’intelligenza artificiale basata sui grafi.

Bibliografia

[Eledlebi et al. 2024] Eledlebi, K., Alzubaidi, A., Damiani, E., Puthal, D., Mateu, V., Zemerly, M. J., & Yeun, C. Y. (2024). Bio-integrated hybrid Tesla: A fully symmetric lightweight authentication protocol. IEEE Internet of Things Journal, 11(23), 37421-37436.

[Damiani and Wang, 2025] Wang, Fang, and Ernesto Damiani. “Time-Aware and Transition-Semantic Graph Neural Networks for Interpretable Predictive Business Process Monitoring.” arXiv preprint arXiv:2508.09527(2025).

[Damiani, 2024] Damiani, E.. Human-Drone Swarm Collaboration Using LLMs: Case Study on DRL-Based Anti-jamming. In: Proceedings of 1st GENZERO Workshop, Springer, 2024. p. 38.

[Pfaff et al. 2020] Pfaff, T., Fortunato, M., Sanchez-Gonzalez, A., & Battaglia, P. (2020, October). Learning mesh-based simulation with graph networks. In International conference on learning representations.

[Delle Monache et al., 2023] Delle Monache, L., Axisa, D., Cobb, A., Ghazvinian, M., Damiani, E., Al Hamadi, H., Radhakrishnan, C. (2023, January). A hybrid machine learning framework for enhanced precipitation nowcasting. In American Meteorological Society Meeting Abstracts (Vol. 103, p. 3).

[Banimfreg, 2025] Banimfreg, B., Damiani, E., Gorooh, V. A., Axisa, D., Monache, L. D., & Wehbe, Y. (2025). Innovative approach for gauge-based QPE in arid climates: comparing neural networks and traditional methods. Journal of Big Data, 12(1), 177.

[Wang et al., 2025] Wang, Fang, Paolo Ceravolo, and Ernesto Damiani. “Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring.” arXiv preprint arXiv:2506.03696 (2025).