Final projects - הנדסת מחשבים - תואר ראשון - עיבוד וניתוח נתונים תשפ"ד

הרקע לפרויקט:

שיטות רבות פותחו ונלמדו למציאת דרך חדשנית לטיפול בסרטן. אחת משיטות אלו לטיפול בגידולים סרטניים היא תרפיה פוטודינאמית. הצורך בפיתוח של ננו חלקיקים כמערכות הובלה של תרופות לגידולים סרטניים וביניהם תרופות שמשמשות לטיפול הפוטודינאמי הולך ומתגבר. נשתמש בקומפלקס שפותח במעבדה של ננו חלקיקי זהב שמחוברים לתרופה פוטודינאמית בתאי סרטן ונבחן את התאים לאחר שילוב של טיפולים נוגדי סרטן על ידי הקרנות בלייזר.

מטרת הפרויקט:

מטרת הפרויקט היא לבחון את הטיפול הפוטודינאמי והטיפול התרמי לאחר שימוש בקומפלקס של ננו חלקיקי זהב שקשורים לתרופה. לשם כך, נגדל תאים סרטניים, נבחן את התאים לאחר קליטת החלקיקים בתאים, נבצע טיפול אנטי סרטני בתאים ונאבחן את התאים לאחר הטיפול. לאחר מכן נתכנן טיפול רפואי מותאם אישי על ידי אלגוריתם שנפתח ומודלים של למידת מכונה הלוקח בחשבון פרמטרים כגון עוצמת הלייזר ומשך זמן הקרנה כדי להשיג תוצאה המותאמת לגידול ספציפי.

תכולת הפרויקט:

• לימוד תאורטי וקריאה בספרות של מחקרים רלבנטיים.
• טיפול בתאים בעזרת קומפלקס של ננו חלקיקי זהב שקשורים לתרופה.
• מעקב אחר התאים שכולל כימות של התאים לאחר הטיפול האנטי סרטני בעזרת Image J,
• בדיקת מורפולוגיה ופרמטרים נוספים.

קורסי קדם:

ביולוגיה למהנדסים ומבוא ללמידת מכונה

דרישות נוספות:

ידע מוקדם בImage J ו-Matlab או Python

מקורות:

[1] E. Varon, G. Blumrosen, M. Sinvani, E. Haimov, S. Polani, M. Natan, I. Shoval, A. Jacob, A. Atkins, D. Zitoun and O. Shefi, "An Engineered Nanocomplex with Photodynamic and Photothermal Synergistic Properties for Cancer Treatment," Int J Mol Sci, vol. 23, no. 4, pp. 2286, Feb. 2022, https://pubmed.ncbi.nlm.nih.gov/35216400/

הרקע לפרויקט:

אחת הדרכים להתאים טיפולים לחולים בסרטן היא על ידי מיפוי מולקולרי רחב היקף בסופר רזולוציה של רקמות. עם זאת, ניתוח המידע מהווה אתגר מרכזי - איך אפשר לייצג ולנתח מידע מתמונות של מיליוני מולקולות כדי להחליט מה מצב התאים ברקמה הסרטנית? הפרויקט מנסה להתמודד עם האתגר הזה על ידי שיטות מעולם הלמידה העמוקה.

מטרת הפרויקט:

בפרויקט נשתמש במידע שהתקבל מטכנולוגיה מתקדמת במעבדה שלנו המאפשרת יצירת מפות תלת מימדיות של ביטוי הגנים ברקמה סרטנית.
כדי לנתח את המידע נפעיל אלגוריתמים של למידה עמוקה שישתמשו במיקום התוך תאי המדויק של מולקולות הרנ"א המוצגות במפות (תמונות) הנ"ל.

תכולת הפרויקט:

• ניתוח מקדים של הנתונים: זיהוי התאים ברקמה ואיחוד נתונים ממקורות שונים ליצירת מאגר אחד.
• היכרות מעמיקה עם אלגוריתמי למידה עמוקה.
• כתיבת קוד פייתון הכולל מימוש של האלגוריתם הנבחר ובנוסף, יצירת שכבת נוירונים שיכולה להסביר את קבלת ההחלטות.
• ניתוח הנתונים וזיהוי דפוסים של מצבי התאים במחלה.
• סיכום התוצאות.

קורסי קדם:

• כריית מידע וייצוג מידע – 83676
• למידה עמוקה – 83882 (ניתן לבצע במקביל לפרויקט)
• מדעי נתונים ביולוגים (ניתן לבצע במקביל לפרויקט, במקרים מסוימים יתכן פטור מקורס זה)

דרישות נוספות:

• רקע בלמידת מכונה הוא חובה.
• רקע בביולוגיה הוא יתרון.

מקורות:

1. Elkan, C. The foundations of cost-sensitive learning. Proceedings of the Seventeenth International Conference on Artificial Intelligence: 4-10 August 2001; Seattle, 1, 05, 2001.
2. Wang, S., Liu, W., Wu, J., Cao, L., Meng, Q., and Kennedy,P. Training deep neural networks on imbalanced datasets. pp. 4368–4374, 07 2016. doi: 10.1109/IJCNN.2016.7727770.
3. https://www.alonlab.org/technology

הרקע לפרויקט:

Drug delivery systems are engineered technologies for targeted delivery and/or controlled release of therapeutic agents. Drug delivery systems that respond to external stimuli have a great research interest, as they enable the pulsatile release of drugs, according to external alterations. Many physical and chemical stimuli can be used as triggers, such as temperature, pH, light, electric fields, magnetic fields, osmotic pressure, and ultrasound (US). The US attracts great attention, due to its many advantages: absence of ionizing radiations, low cost, ease of operation, and the ability to transmit energy to precise locations.

מטרת הפרויקט:

The project goals are to develop a drug delivery system which triggers by acoustic waves and examine the interaction between the acoustic force and an organ.
The student will model a drug delivery system based on external acoustic triggering. They will simulate theoretically and examine experimentally the effect of acoustic waves in flow, mimicking the behavior inside a live organ.

תכולת הפרויקט:

In order to examine how acoustic forces interact with an organ, the penetration of the waves through different tissues, and the effect at the cellular level, the student will model flow-acoustic interaction, with the simulation software COMSOL.
First, they will simulate flow-acoustic interaction in a fluidic system, and later in a model of an organ. In the second semester, the student will examine experimentally the effect of acoustic waves in a fluidic system in the lab.

קורסי קדם:

• פזיולוגיה כמותית
• דימות רפואי

מקורות:

1. Kim, H. J.; Matsuda, H.; Zhou, H.; Honma, I. Ultrasound-Triggered Smart Drug Release from a Poly(Dimethylsiloxane)- Mesoporous Silica Composite. Advanced Materials 2006, 18 (23), 3083–3088.
2. Cohen, S.; Sazan, H.; Kenigsberg, A.; Schori, H.; Piperno, S.; Shpaisman, H.; Shefi, O. Large-scale acoustic-driven neuronal patterning and directed outgrowth. Scientific Report 2020, 10.
3. A. Stewart, S.; Domínguez-Robles, J.; F. Donnelly R.; Larrañeta, E. Implantable Polymeric Drug Delivery Devices: Classification, Manufacture, Materials, and Clinical Applications. Polymers 2018, 10, 1379.
4. Ciancia, S., Cafarelli, A., Zahoranova, A., Menciassi, A., Ricotti, L. Pulsatile Drug Delivery System Triggered by Acoustic Radiation Force. Front. Bioeng. Biotechnol. 2020, 8.

הרקע לפרויקט:

השימוש בננו חלקיקים מגנטיים להפעלת מניפולציות מגנטיות על תאים, ארגון רשתות נוירונים והכוונת תרופות לאזורי מטרה נעשה פופולרי ומהווה מוקד מחקר בשנים האחרונות.
התקשורת בין נוירונים היא באמצעות סיגנלים חשמליים, וזו למעשה אחראית על כל התפקודים העצביים, ולכן הבנת ההשפעה של נוכחות חלקיקים מגנטיים על הפעילות החשמלית של נוירונים היא קריטית והכרחית בכדי לקדם שימוש נרחב ויישומים חדשניים של שליטה מגנטית ברשתות נוירונים.

מטרת הפרויקט:

במסגרת הפרויקט נמדוד פרמטרים שונים שנחלץ מהדאטא של ההקלטות החשמליות של הנוירונים (כמו אמפליטודה ותדירות שישמשו כמדדים להשוואה בין הקלטות שונות), וננסה ליישם מודלים שונים של למידת מכונה כדי להצליח להבחין בין הקלטות שמקורן ברשתות ממוגנטות להקלטות שמקורן ברשתות נוירונליות רגילות.

תכולת הפרויקט:

• הסטודנטים ילמדו על הסיגנלים שמתקבלים בהקלטות חוץ תאיות
• הסטודנטים יפתחו קוד לעיבוד של הדאטה ולחילוץ מאפיינים מתוך ההקלטות החשמליות
• הסטודנטים ישוו מודלים שונים לקלסיפיקציה של סיגנלים חשמליים- אם הגיעו מנוירון רגיל או מנוירון עם חלקיקים מגנטיים בתוכו

קורסי קדם:

פיזיולוגיה כמותית, מדעי נתונים ביולוגים, מבוא ללמידת מכונה

דרישות נוספות:

כל ידע בניתוח נתונים ,למידת מכונה וdeep learning, תכנות בMATLAB ו python

מקורות:

1. Carter, M., & Shieh, J. (2015). Electrophysiology. Guide to Research Techniques in Neuroscience, 89–115. https://doi.org/10.1016/B978-0-12-800511-8.00004-6
2. Beker, S., Kellner, V., Chechik, G., & Stern, E. A. (2016). Learning to classify neural activity from a mouse model of Alzheimer's disease amyloidosis versus controls. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring, 2, 39-48 .‏https://doi.org/10.1016/j.dadm.2016.01.002

הרקע לפרויקט:

אקסון של נוירון יכול להיפגע וגם להיקטע, וכתוצאה מכך יפגע חלק במערכת העצבים. בטבע יש דרגות שונות של יכולת ההתחדשות והשיקום של מערכת העצבים. יש אורגניזמים כמו לדוגמא הלטאה שלהם יכולת לשקם את כל הזנב שלהם. אנחנו כבני אדם כמובן לא יכולים לעשות זאת ויש לנו יכולת מוגבלת מאוד של חידוש עצבי וגם יכולת זאת שונה אצלנו בין מערכת העצבים ההיקפית למרכזית. במערכת העצבים ההיקפית יש יכולת מסוימת להתחדשות לעומת המערכת המרכזית ששם כמעט אין יכולת התחדשות. לכן להבנה של איך אורגניזמים שונים מחדשים את מערכת העצבים שלהם ומה משפיע על כך יש חשיבות עצומה.

כשאקסון נפגע, הוא צריך לגדול בחזרה ולעצבב מחדש את אתר המטרה שלו. חשוב מאוד שההתחדשות שלו תהיה מהירה כדי שהשחזור של הקשרים עם התאים האחרים יהיה מיטבי ויימנע נזק בלתי הפיך, כגון ניוון של שרירים. לא ידוע הרבה על מהירות צמיחת הנוירונים. עוד פחות מכך ידוע לנו על ההבדל בקצב ההתחדשות בין שלוחות שונות והיכולת של גוף התא לשלוט על קצב התחדשות השונה.

במחקר זה נעבוד עם עלוקות. עלוקה היא אחת מבעלי החיים שלהם יש יכולת טובה להתחדשות נוירונאלית. משום כך, משתמשים הרבה בתאים שלה במחקרים על גדילה של אקסונים. ידוע לנו שגנגליון (צביר נוירונים) של עלוקה הוא מערכת יחסית פשוטה כי יש בו מעט מאוד תאים. בנוסף, אצל עלוקה התאים יחסית גדולים לעומת תאים של בעלי חיים אחרים, כך שיותר קל לעקוב אחרי השלוחות שלהם.

מטרת הפרויקט:

בפרויקט זה ננסה בשלב הראשון להכין תרביות נוירונלית ולהקליט במשך פרקי זמן גדולים (3 ימים) לעקוב אחרי נוירון שגדל מחדש אחרי פגיעה. לאחר מכן נבצע עיבוד תמונה וננסה לעקוב אחרי השלוחות השונות ולמדוד את קצב התפתחות השלוחות. לאחר מכן נערוך אנליזה וננתח שאלות כמו האם שלוחות שונות של אותו תא יכולות לגדול בקצבים שונים, או איך משפיע שינוי קצב בשלוחה אחת על הקצב בשאר השלוחות.

תכולת הפרויקט:

לימוד תיאורטי וקריאה בספרות על מחקרים בתחום.
לימוד IMAGEJ
Image processing

קורסי קדם:

לא צריך

דרישות נוספות:

אין

מקורות:

1. Horton AR, Davies AM. Initial axon growth rate from embryonic sensory neurons is correlated with birth date. Dev Neurobiol. 2020 Mar;80(3-4):126-131. doi: 10.1002/dneu.22743. Epub 2020 Apr 21. PMID: 32289872; PMCID: PMC8370019
2. Ren Y, Suter DM. Increase in Growth Cone Size Correlates with Decrease in Neurite Growth Rate. Neural Plast. 2016;2016:3497901. doi: 10.1155/2016/3497901. Epub 2016 May 4. PMID: 27274874; PMCID: PMC4870373.

הרקע לפרויקט:

אלקטרוקורטיקוגרפיה (ECOG) היא טכניקה מבטיחה המקליטה פעילות מוחית במוח האדם באמצעות אלקטרודות ייעודיות המונחות ישירות על קליפת המוח. טכניקה זו היא כלי קליני שימושי למיפוי תפקוד המוח מכיוון שהיא מספקת נתונים ייחודיים עם רזולוציה גבוהה בזמן ובמרחב, שלא ניתן להשיג עם שיטות מדידה אחרות שאינן פולשניות. בין השאר, ממשקי מוח-מחשב (Brain computer interfaces, BCI) וכן יישומים קליניים אחרים משתמשים בשיטה הנ"ל.

הראנו בעבר כי נתוני ECOG שנאספו במהלך ניתוח מוח בערות של מטופלים עם גידול מוחי, מכילים מידע הקשור לתפקודים המשויכים לאזורי המוח השונים.

אחת המגבלות באנליזה כעת, היא ויזואליזציה של נתוני הפעילות המוחית שהוקלטו באמצעות ECoG ו-fMRI. ויזואליזציה הינה כלי הכרחי להבנת תופעות רחבות יותר וביניהן שינוי משמעותי בפעילות המוחית, קשרים בין נתונים ויכולת להסתכל על הנתונים גם ברמת האדם הבודד וגם על תופעות המשותפות לנבדקים רבים.

העבודה בפרויקט זה תכלול ויזואליזציה של אלקטרודות לפי פרמטרים שונים ומיון הנתונים, כמו: תגובות לגירויים, מיון על ידי מיקום האלקטרודות, הפרדת האלקטרודות לרשתות מוחיות, וכדומה.
דימות מוחי מדויק (precision neuroimaging) הינו גישה מתפתחת המתמקדת בהבנת פעילות המוח ואזורים תפקודיים ברמת האדם האינדיבידואל. גישה זו כוללת שימוש במידע רווי נתונים משיטות דימות שונות ויש לכך השלכות חשובות בפיתוח שיטות רפואה מותאמות אישית. פרויקט זה יעסוק בשילוב נתונים משיטות הדימות השונות עם ויזואליזציה שתסייע להבנת נתונים אלו תוך מטרה מכוונת לשימוש קליני.

מטרת הפרויקט:

הצגת נתוני ECoG ו-fMRI דרך תוכנה ויזואלית (GUI). התוכנה תכלול יכולת לבחור בוויזואליזציה המתאימה למשתמש – כולל בחירת אלקטרודות ספציפיות מקטגוריות מסוימות המופיעות בנתונים של המעבדה, הסתכלות רחבה יותר על כל הנבדקים, ותופעות של תגובות לגירויים שונים.

תכולת הפרויקט:

הסטודנטים ייפתחו כלים בניתוח אותות מוחיים משיטות המדידה השונות, יתמקדו בממשק משתמש וישתמשו במודלים סטטיסטיים. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:

• תכנות
• ניתוח אותות

דרישות נוספות:

• מדעי נתונים ביולוגיים
• קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

מקורות:

1. Moataz Assem, Michael G. Hart, Pedro Coelho, Rafael Romero-Garcia, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Suckling, Thomas Santarius, John Duncan, Yaara Erez. High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks, Cortex, Volume 159, 2023, Pages 286-298. https://doi.org/10.1016/j.cortex.2022.12.007.
2. Ayan S. Mandal, Moataz Assem, Rafael Romero-Garcia, Pedro Coelho, Alexa McDonald, Emma Woodberry, Robert C. Morris, Stephen J. Price, John Duncan, Thomas Santarius, John Suckling, Michael G. Hart, Yaara Erez. Tumour-infiltrated cortex participates in large-scale cognitive circuits medRxiv 2022.12.19.22283690. https://doi.org/10.1101/2022.12.19.22283690
3. Crone N.E., Sinai A. & Korzeniewska A. (2006). High-frequency gamma oscillations and human brain mapping with electrocorticography. Progress in Brain Research 159, 275–295. https://doi.org/10.1016/S0079-6123(06)59019-3

הרקע לפרויקט:

פגיעה בעצבים פריפריאליים (המערכת ההיקפית) היא בעיה נפוצה הפוגעת במיליוני איש בשנה והטיפול בה מהווה אתגר רפואי משמעותי ולא פתור. למרבה הצער, פגיעות אלו מובילות בדרך כלל לנזקים קבועים מכיוון שיכולת השיקום והצמיחה הנוירונלית לעבר מטרותיהן המקוריות מוגבלת. על כן, לחיפוש אחר אסטרטגיות טיפוליות שיעזרו לכוון צמיחה נוירונלית לעבר איברי המטרה לטובת התאוששות תפקודית, חשיבות רבה מאוד אשר עשויה לשנות את החיים של חולים רבים ברחבי העולם.

במחקרים קודמים הראנו כי רמזים סביבתיים שונים עשויים להשפיע על הגדילה וההכוונה של הנוירונים. רמזים אלו כוללים בין היתר מבנים טופוגרפיים שונים. בפרוייקט זה נתמקד ברמזים אלו ונחפש כיצד ניתן להשתמש בהם לשיפור השיקום העצבי.

מטרת הפרויקט:

בפרויקט זה אנחנו מעוניינים להתמקד בהשפעה של מבנים טופוגרפיים שונים על צמיחת תאי עצב, ולהשתמש בידע שנרכש במעבדה כדי לתכנן שתלים/משטחים משופרים עם מבנים טופוגרפיים אופטימיליים להכוונה יעילה יותר של השלוחות המשתקמות.

התוצר הסופי הנדרש יהיה משטח עם סמנים טופוגרפים אידיאלים להכוונת שלוחות משתקמות או לחילופין פלטפורמת תלת מימד המורכבת מג'ל קולגן עם ננו חלקיקים מגנטיים שישמשו כרמזים טופוגרפים משופרים לשיקום עצבי.

תכולת הפרויקט:

בשלב הראשון של הפרויקט הסטודנטים יבצעו סקירה ספרותית של התחום, ניתוח התוצאות שהתקבלו עד כה במעבדה ואפיון האינטראקציה בין התאים לרמזים השונים.

בשלב השני הסטודנטים יבחרו אם להתמקד בצמיחה בתלת מימד או דו מימד ובהתאם יתכננו וייצרו פלטפורמה אופטימלית לשיקום:

דו מימד - משטחים עם רמזים טופוגרפיים אופטימליים תוך שימוש בתוכנות תלת מימד לתכנון וליתוגרפיה להכנת המשטח.

תלת מימד – פלטפורמה המורכבת מג'ל קולגן המכילה ננו-חלקיקים מגנטיים שמיושרים בנוכחות שדה מגנטי חיצוני (יבחנו סוגי ננו-חלקיקים שונים בריכוזים שונים).

בשלב השלישי הסטודנטים ילמדו עבודה מעשית עם תרביות תאים, גידול תאי עצב על המשטחים או בתוך ג'ל קולגן, צביעה באמצעות נוגדנים, שימוש במיקרוסקופיה פלורסנטית ללקיחת התמונות, ומדידת פרמטרים מורפולוגים שונים של השלוחות תוך שימוש בתוכנות שונות לטובת השוואת הצמיחה בשתלים/משטחים המשופרים לעומת קבוצות הביקורת.

קורסי קדם:

• מבוא לביולוגיה למהנדסים
• סטטיסטיקה

דרישות נוספות:

• נוירופיזיולוגיה
• ידע במיקרוסקופיה

מקורות:

1. https://onlinelibrary.wiley.com/doi/abs/10.1002/adfm.202010837
2. https://pubs.acs.org/doi/10.1021/acs.nanolett.8b03879

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a memory technology that has been shown to be an interesting alternative to standard SRAM for various applications. One of the drawbacks of this technology is the limited data retention time (DRT) due to parasitic leakage currents.

מטרת הפרויקט:

In this project, the students will model the probability of cell failures and explore the possibilities of improving the DRT through algorithmic approaches mixed with circuit design techniques.

תכולת הפרויקט:

The project is a research project with both theoretical and implementation components, intended for both Electrical and Computer Engineering students.

קורסי קדם:

מעגלים משולבים ספרתיים 83-313

דרישות נוספות:

Verilog/Virtuoso/Matlab/C/Python

מקורות:

1. P. Meinerzhagen, A. Teman, R. Giterman, N. Edri, A. Burg, and A. Fish, Gain-Cell Embedded DRAMs for Low-Power VLSI Systems-on-Chip. Berlin, Germany: Springer, 2018.
2. Teman A, Meinerzhagen P, Burg A, Fish A (2012) Review and classification of gain cell eDRAM implementations. In: Proc. IEEE Convention of Electrical and Electronics Engineers in Israel (IEEEI), pp 1–5

הרקע לפרויקט:

שלב ראשוני בריצוף גנומי בטכנולוגיות מתקדמות הינו מיפוי אות חישה חשמלי לרצף בסיסי הגנום הנדגם, בפרויקט זה נעזר בתשתית למידת מכונה ומאיצי חמרה לצורך שלב זה המכונה Basecalling

מטרת הפרויקט:

השלמת פיתוח פתרון מלא ל basecalling מבוסס למידת מכונה הנתמכת על ידי מאיץ חומרה.

תכולת הפרויקט:

יישום ואימון מודל למידת מכונה מבוססת רשת נוירונים לצורך מיפוי גנומי, הטמעה, שילוב ויישום הרשת בעזרת מאיץ חומרה.

קורסי קדם:

נדרשת שליטה טובה וניסיון בתחומים הבאים: תכן לוגי, קידוד C, ופייתון.

דרישות נוספות:

תידרש השלמת ידע עצמאית בלמידת מכונה, ותהליך ריצוף גנומי.

מקורות:

1. https://nanoporetech.com/how-it-works/basecalling
2. https://genomebiology.biomedcentral.com/articles/10.1186/s13059-019-172…
    

הרקע לפרויקט:

בפרוייקט זה נעשה שימוש באלגוריתמים ובנתונים על מנת ליישם חיישני ספקטרום זעירים על שבב

מטרת הפרויקט:

יישום אלגוריתמים לייצוג, מיון ועיבוד נתונים לשם יישום של התקני חישה לספקטרום

תכולת הפרויקט:

יישום אלגוריתמים לייצוג, מיון ועיבוד נתונים

קורסי קדם:

מבוא ללמידת מכונה ו/או למידה עמוקה, תכנות בפייתון

דרישות נוספות:

כדאי לקחת קורסים בהתקני ננואלקטרוניקה, טכנולוגיות גרפן, טכנולוגיות גלאים

מקורות:

https://www.science.org/doi/full/10.1126/science.ade1220

הרקע לפרויקט:

בשנים האחרונות מתפתחת שיטת דימות מבטיחה בתחום הרנטגן - דימות רפאים. לצד הדימות, לעיתים אנו נדרשים לזהות פרטים ספצפיים בתמנות, למשל, שבר בצילום רנטגן של כף היד. הפרויקט יתבסס על data sets שהתקבלו בשיטה זו של דימות רפאים (הן data סימולטיבי והן data ניסיוני מהמעבדה של פרופ' שרון שוורץ) ויחיל עליו אלגוריתמי קלסיפקציה מבוססי למידת מכונה.

מטרת הפרויקט:

הסטודנטים בפרויקט ישוו שיטות קלסיפיקציה שונות ויבחרו את זו שמתאימה ביותר (מבחינת הדיוק ומבחינת זמן הריצה) ליישום של דימות רפאים רפואי בתחום הרנטגן, לרבות מימוש של התאמות ושכלולים בשיטות קלסיפיקציה מוכרות.

תכולת הפרויקט:

הסטודנטים ילמדו את הרקע הדרוש - גם בתחום של דימות רפאים וגם בתחום של למידת מכונה בדגש על אלגוריתמי קלסיפיקציה. לאחר מכן, יממשו בקוד ויבחנו מספר לביצוע קלסיפקיציה (החל מ- SVM ועד רשתות נוירונים עמוקות). תבוצע השוואה בין השיטות השונות על פני מאגרי מידע סימולטיביים וניסיוניים במטרה לאתר את השיטה המתאימה ביותר לכל יישום ולכל יחס דחיסה של התמונות.

קורסי קדם:

קורס מבוא ללמידת מכונה

מקורות:

1. https://opg.optica.org/oe/fulltext.cfm?uri=oe-27-3-3284&id=404491
2. https://link.springer.com/article/10.1007/s00340-020-07514-4
3. https://opg.optica.org/ao/abstract.cfm?uri=ao-60-29-9180

הרקע לפרויקט:

A key ingredient of deep learning is (stochastic and nonconvex) optimization. Most popular optimizers include a momentum term. Yet, there are two common approaches to construct a momentum term that are somewhat contradicting. One of them can be understood as interpolation and the other one as extrapolation. The goal of the project is to provide insights (at least on an empirical level) on the pros and cons of each approach and whether one approach dominates the other, or is there a place for an intermediate approach.

מטרת הפרויקט:

The goal of the project is to provide insights (at least on an empirical level) on the pros and cons of each approach and whether one approach dominates the other, or is there a place for an intermediate approach.

תכולת הפרויקט:

Extensive experimentation on common deep neural networks and optimizers with different momentum approaches. Gaining insights on the pros and cons of each approach and whether one approach dominates the other. Potentially developing a new successful optimizer for deep learning and/or establishing theoretical reasoning (in a simplified setting) for the empirical observations.

קורסי קדם:

מבוא ללמידת מכונהֿ, אופטימיזציה, רמה גבוה באלגברה לינארית וחדו״א מרובת משתנים.

מקורות:

https://proceedings.mlr.press/v28/sutskever13.html

הרקע לפרויקט:

נבחן שיטות שונות ל״כיול״ מודלים נלמדים כך שלתחזיות שלהם ילווה מדד אי-ודאות בעל משמעות או הבטחה סטטיסטית

מטרת הפרויקט:

ישנם שני סוגי כיול נפוצים -- האחד ״סטנדרטי״ ויוריסטי שמכוונן את ערכי הsoftmax כדי שיתאימו להסתברות הדיוק, והשני מגובה תיאורטית מפיק סט של מחלקות שמכסה את המחלקה הנכונה בהסתברות נדרשת. נבחן את יחסי ההשפעה של שתי השיטות זו על זו ואת ההבדלים ביניהן.

תכולת הפרויקט:

ניסויים שיראו מה ההשפעה של שתי שיטות הכיול זו על זו ואת ההבדלים ביניהן. מחקר תיאורטי האם הבטחות תיאורטית של כיול ע״י כיסוי יכולות להיות מנוצלות ע״י שילובו בכיול הסטנרטי. בדיקת המצב ברגרסיה ולא רק בקלאסיפיקציה.

קורסי קדם:

הסתברות, מבוא ללמידת מכונה, שיערוך והסקה סטטיסטית

מקורות:

https://arxiv.org/abs/2107.07511

הרקע לפרויקט:

במשימת הפרדת הדוברים בהינתן הקלטה בה מספר רב של דוברים המדבים בו זמנית נרצה להפריד ולשערך כל אחד מן הדוברים. מנגד, במשימת חילוץ דובר רצוי נרצה אדם ספציפי בהינתן ידע מוקדם על אדם זה. וידאו של השיחה, מיקום הדובר או הקלטה מוקדת של אדם ספציפי, כל אלה יכולים לשמש כאות ייחוס עבור חילוץ הדובר.

מטרת הפרויקט:

מטרת הפרויקט הינה לבסס אלגוריתם יציב לצורך שיערוך והפרדת הדובר

תכולת הפרויקט:

על הסטודנטים יהיה לאמן מודל מבוסס AI לצורך שיערוך הדובר הרצוי

קורסי קדם:

עיבוד ספרתי של אותות 2, אלגוריתמים סטטיסטיים לעיבוד אותות

דרישות נוספות:

למידה עמוקה

מקורות:

https://arxiv.org/abs/2303.07072

הרקע לפרויקט:

בשנים האחרונות מתרחב השימוש בכלי תוכנה מבוססים קוד פתוח.
מטרת הפרויקט להנגיש ולפתח בצורה גרפית קוד אשר יהפוך באופן אוטומטי לתוכנית שתרוץ על המחשב שלנו. גישת פיתוח זו מקצרת באופן משמעותי את זמני הפיתוח של אב טיפוס של המוצרים.

מטרת הפרויקט:

נגישות לכלי תוכנה לפיתוח אלגוריתמי DSP תורמת לקיצור זמנים בפיתוח של אב טיפוס של המוצר.

סביבות עבודה גרפיות נפוצה ל FAST PROTOTYPING הינה Matlab/SIMULINK [ 1],

ראה מודל סימולינק לדוגמה בלינק :

https://www.eng.biu.ac.il/~pinit/Proj_2023/SIMULINK_example.JPG ).

רשיון מטלב עם DSP TOOLBOX יכול להגיע למאות או אלפי דולרים לעמדה בודדת בארגון.

שימוש בכלי פיתוח שהם Freeware software יכול להנגיש את הכלים לקהל מטרה רחב יותר.
כמו כן, כלים שהם Freeware software יכולים להוות בסיס להוראה של מעבדת DSP ותקשורת בקמפוסים בעלי יכולות כלכליות מוגבלות.

תכולת הפרויקט:

בפרויקט זה נמשיך לפתח DSP TOOLBOX בנושאים מגוונים דוגמת סינון, משפט הדגימה, אינטרפולציה ודצימציה וסינון אדפטיבי.
במסגרת הפרויקט יבחנו מספר סביבות עבודה גרפיות [2-5] לצורך החלפת Matlab/SIMULINK למימוש FAST PROTOTYPING [1]

קורסי קדם:

• עיבוד ספרתי 1
• אלגוריתמים סטטיסטיים

מקורות:

1. Gannot, S., & Avrin, V. (2006, September). A Simulink© and Texas instruments C6713® based digital signal processing laboratory. In 14th European Signal Processing Conference, 2006. (https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7071073 )
2. https://www.scilab.org/software, an open-source matlab + Simulink (scilab + xcos)
3. https://github.com/severin-lemaignan/boxology
4. https://github.com/node-red/node-red
5. https://github.com/leon-thomm/Ryven (Python)

הרקע לפרויקט:

Direction of arrival (DOA) estimation is an important topic in microphone array processing. Conventional methods work well in relatively clean conditions but suffer from noise and reverberation distortions. Recently, deep learning-based methods show the robustness to noise and reverberation. However, the performance is degraded rapidly or even model cannot work when microphone array structure changes. So, it has to retrain the model with new data, which is a huge work. In this paper, we propose a supervised learning algorithm for DOA estimation combining convolutional neural network (CNN) and long short-term memory (LSTM).
In our problem we have complex input and output. Therefore, on next stage we try to change the Network architecture from CNN and LSTM to Complex valued Neural Network.

מטרת הפרויקט:

בפרויקט נפתור את בעיית איכון כיוון הדובר בעזרת רשת נוירונים מרוכבת. בשלב הראשון נממש עיבוד מקדים לרשת, ע"מ לבטל את התלות בסוג המערך ובמספר המיקרופונים. כך נקבל features מרוכב. לאחר מכן נבנה רשת GRU מרוכבת, ונבדוק את ביצועי הרשת.

תכולת הפרויקט:

• סקירה והבנה של בעיית מציאת כיוון דובר, ושל רשתות נוירונים מרוכבות.
• מימוש בpython של העיבוד המקדים לרשת.
• מימוש מערכת למידה עמוקה מרוכבת מסוג GRU.
• אימון המודל ע"מ שיפור הדיוק של זיהוי הכיוון גם בסביבה רועשת ומהדהדת.

קורסי קדם:

• קורס עיבוד ספרתי 2
• קורס למידה עמוקה

(במהלך שנה ד')

דרישות נוספות:

• קורס למידת מכונה
• תכנות בpython.

מקורות:

1. Charles H. Knapp and G. Clifford Carter, "The Generalized Correlation Method for Estimation of Time Delay"
2. Qinglong Li, Xueliang Zhang and Hao Li, “ONLINE DIRECTION OF ARRIVAL ESTIMATION BASED ON DEEP LEARNING”
3. Mhd Modar Halimeh, Thomas Haubner, Annika Briegleb, Alexander Schmidt, Walter Kellermann, “COMBINING ADAPTIVE FILTERING AND COMPLEX-VALUED DEEP POSTFILTERING FOR ACOUSTIC ECHO CANCELLATION”

הרקע לפרויקט:

This project focuses on solving the cocktail party problem, which involves separating multiple speakers who are talking simultaneously using a single microphone. The proposed algorithm utilizes a deep learning model in a vector space that represents independent speakers. By distinguishing between speaker masks and leveraging negative sampling techniques, the algorithm learns to separate speakers effectively. It offers potential applications in areas such as automatic speech recognition.

מטרת הפרויקט:

The goal of this project is to develop an algorithm that can successfully address the "cocktail party problem" by effectively separating multiple speakers who are speaking simultaneously using only a single microphone

תכולת הפרויקט:

1. Watch the lectures in youtube - Stanford University CS231n, Spring 2017
2. Read the paper.
3. Download the dataset
4. Integrate a more advanced model as the central component of the network, replacing the traditional RNN approach
5. Train the model
6. Expect to satisfactory results :))

The project will be implemented in Pytorch

קורסי קדם:

Deep Learing, Python and Pytorch

דרישות נוספות:

Watching related videos on YouTube

מקורות:

We will implement the following paper:
Monaural Audio Speaker Separation with Source Contrastive Estimation

הרקע לפרויקט:

The problem of jointly estimating the total surface area, volume, frequency-dependent reverberation time, and mean surface absorption of a room in a blind manner is studied in this paper. This knowledge of the geometrical and acoustical parameters of a room can be beneficial for applications such as audio augmented reality, speech dereverberation, or audio forensics.The proposed approach utilizes two-channel noisy speech recordings from multiple unknown source-receiver positions.

The proposed model outperforms a recently proposed blind volume estimation method on the considered datasets.

מטרת הפרויקט:

The project focuses on leveraging two-channel noisy speech recordings from multiple unknown source-receiver positions. By developing a novel convolutional neural network architecture that utilizes both single and inter-channel cues, the goal is to accurately estimate the target parameters in a blind manner.

תכולת הפרויקט:

1. Watch the lectures in youtube - Stanford University CS231n, Spring 2017
2. Read the paper
3. Download the dataset
4. Build the model
5. Train the model
6. Expect to satisfactory results :))
The project will be implemented in Pytorch

קורסי קדם:

Deep Learing, Python and Pytorch

דרישות נוספות:

Watching related videos on YouTube

מקורות:

We will implement the following paper:
Blind Room Parameter Estimation Using Multiple Multichannel Speech Recordings

הרקע לפרויקט:

Given a multi-microphone recording of an unknown number of speakers talking concurrently, this project simultaneously localizes the sources and separate the individual speakers. The core of this method is a deep network in the waveform domain, which isolates sources within an angular region θ ± w/2, given an angle of interest θ and angular window size w. By exponentially decreasing w, we can perform a binary search to localize and separate all sources in logarithmic time. This algorithm allows for an arbitrary number of potentially moving speakers at the same time, including more speakers than seen during training.
Automating this process of speech separation has many valuable applications, including assistive technology for the hearing impaired, improvement of Automatic Speech Recognition(ASR) systems, or better transcription of spoken content in noisy in-the-wild Internet videos (Speech to Text).

מטרת הפרויקט:

The purpose of this project is to develop a method that can effectively localize and separate individual speakers in a multi-microphone recording where multiple speakers are talking simultaneously.

תכולת הפרויקט:

1. Watch the lectures in youtube - Stanford University CS231n, Spring 2017
2. Read the paper
3. Download the dataset
4. Build the model
5. Train the model
6. Expect to satisfactory results :))
The project will be implemented in Pytorch

קורסי קדם:

Deep Learing, Python and Pytorch.

דרישות נוספות:

Watching related videos on YouTube

מקורות:

We will implement the following paper:
The Cone of Silence:Speech Separation by Localization

הרקע לפרויקט:

Recently, the speech separation (SS) task has made significant advancements due to deep learning techniques. However, separating target signals from noisy mixtures remains challenging as neural models can mistakenly assign background noise to each speaker. This project propose a noise-aware SS method called NASS, which aims to enhance the speech quality of separated signals in noisy conditions.

Specifically, NASS treats background noise as an independent speaker and predicts it alongside other speakers using a mask-based approach. Patch-wise contrastive learning is employed at the feature level to minimize the mutual information between the predicted noise-speaker and other speakers. This allows for the suppression of noise information in the separated signals.

מטרת הפרויקט:

The purpose of this project is to enhance the speech quality of separated signals in noisy conditions.

תכולת הפרויקט:

1. Watch the lectures in youtube - Stanford University CS231n, Spring 2017
2. Read the paper
3. Download the dataset
4. Build the model
5. Train the model
6. Expect to satisfactory results :))
The project will be implemented in Pytorch

קורסי קדם:

Deep Learing, Python and Pytorch

דרישות נוספות:

Watching related videos on YouTube

מקורות:

We will implement the following paper:
Noise-aware Speech Separation with Contrastive Learning

הרקע לפרויקט:

יכולת התאמת קטעי אדיו בעלי אורכים שונים מסביבה מהודהדת לנקייה

מטרת הפרויקט:

יכולת התאמה עבור אלגוריתם echo cancellation

תכולת הפרויקט:

• יצירת דאטא
• רשת נוירונים
• אלגוריתם מסתגל להורדת אקו

קורסי קדם:

• עיבוד אותות סטטיסטיים 2
• למידה עמוקה

מקורות:

ישנן מספר עבודות בתחום

הרקע לפרויקט:

בסביבה רועשת של מספר דוברים אנו נרצה להתמקד בהקלטת הדיבור של דובר רצוי אשר נמצא בכיוון מסויים ולהתעלם ממידע אשר מגיע מכיוונים לא רצויי. בפרויקט יבחנו פיתרונות קלאסיים לבעיה וגם יבחנו פיתרונות מבוססי למידה עמוקה

מטרת הפרויקט:

התוצר הסופי הינו אלגוריתם ממומש ועובד עם חומרה של מערך מיקרופונים מחובר למחשב נייד [1,2]

תכולת הפרויקט:

1. בניית סימולצייה של מערך מיקרופונים/דוברים ומקורות רעש
2. בדיקת ביצועים של ה Beam Former
3. מימוש האלגוריתם בזמן אמת
4. עריכת ניסויים בחדר האקוסטי ובחינת ביצועים של המערכת

קורסי קדם:

• למידה עמוקה
• עיבוד אותות ספרתי
• עיבוד אותות סטטטיסטי

מקורות:

1. https://www.seeedstudio.com/ReSpeaker-Mic-Array-Far-field-w-7-PDM-Micro…
2. https://wiki.seeedstudio.com/ReSpeaker_Mic_Array/
    

הרקע לפרויקט:

פסקה המתארת את הטכנולוגיה הרלוונטית לפרויקט ואת משמעות הפרויקט בהקשר זה ה Chatbots ^{[ 1,2,3]} פולשים לחיינו ואנו נפתח מערכת מערכת לשילובם במחשבים נידים
כיום קימים מגוון של Chatbots, בפרויקט זה נסקור את הקיים בשוק ונתמקד בעלות מיטבית תוך שמירה על רמת ביצועים סבירה ^[3] בהמשך תבחן גם אפשרות לשילוב המערכת ברובוט חברתי ^[7] אשר משמש ככוח עזר בבית חולים.

מטרת הפרויקט:

בפרויקט זה נפתח מערכת שמע ובינה מלאכותית הכוללת:

1. הרכשת הדיבור בעזרת מיקרופון/מערך מיקרופונים ^[6]
2. עיבוד ראשוני של אות הדיבור (יבחן שילוב אלגוריתם ניקוי רעשים שפותח במעבדה)
3. זיהוי דיבור (העברת שמע לטקסט) ^[4]
4. צ'אטבוט
5. מערכת text-to-speech שתיצור אות דיבור מהטקט שחיבר הצ'אטבוט ^[5]
6. שידור הדיבור ברמקול.

הדגש בפרויקט יהיה על שילוב הצ'אטבוט.

תכולת הפרויקט:

1. בחירת chatbot לפרויקט ולהגדירו כמומחה לתחום מסויים – למשל : אינטראקציה עם זקנים , מועדון של אוהדי מכבי תל אביב וכו
2. הפעלת ASR & TTS
3. שילוב מערך מיקרופונים
4. בחינת ביצועים של המערכת

קורסי קדם:

• פיתון

דרישות נוספות:

• פיתון ברמה גבוהה

מקורות:

1. https://openai.com/blog/introducing-chatgpt-and-whisper-apis
2. https://bard.google.com/chat
3. https://lmsys.org/blog/2023-03-30-vicuna/
4. https://cloud.google.com/speech-to-text
5. https://cloud.google.com/text-to-speech?hl=en
6. Microphone array HW site : https://www.seeedstudio.com/ReSpeaker-Mic-Array-Far-field-w-7-PDM-Micro… , https://wiki.seeedstudio.com/ReSpeaker_Mic_Array/
7. https://pal-robotics.com/robots/ari/

הרקע לפרויקט:

פסקה המתארת את הטכנולוגיה הרלוונטית לפרויקט ואת משמעות הפרויקט בהקשר זה

מודלים של למידה עמוקה מצריכים משאבים רבים של זיכרון וכח מיחשוב חזק. פרויקט זה עוסק בניתוח ואופטימיזציה של מערכות למידה עמוקה בזמן האימון והשימוש במודלים.

מטרת הפרויקט:

מטרת הפרויקט הנה להקטין את גודל המודלים ולהקטין את העומס החישובי על ה GPU תוך שמירה על ביצועים (BIT EXACT ).  במהלך הפרויקט יבחנו ביצועים של מספר מודלים מסחריים (התלמידים יעשו סקר ספרות על שוק ה   ^[1-3] CHATBOTS), מודלים אשר פותחו במעבדה ומודלים שיפותחו במהלך הפרויקט.

בפרויקט נבחן ביצועים של המערכת כתלות בגודל משתנה המודל (double vs. Int16   וכו') ומספר הפרמטרים ביחס למודל המקורי.

כמו כן תבדק סיפריית JIT לפיתון ^[8-10] לצורך שיפור ביצועים ב CPU ויבחנו כלי PROFILING ל CPU^[11]

תכולת הפרויקט:

1. פירוט של מטלות הסטודנטים בפרויקט

   במסגרת הפרויקט יבחנו מגוון כלים אשר נמצאים בשוק, למשל:

2. עבודה עם כלים לביצוע PROFILING לנצילות השימוש ב GPU^[6]
3. כלים ל MODEL INFERANCE ^[4,5]
4. השוואת ביצועים בעזרת מדדים סטטיסטיים.

קורסי קדם:

• פיתון ברמה גבוהה

מקורות:

1. https://openai.com/blog/introducing-chatgpt-and-whisper-apis
2. https://bard.google.com/chat
3. https://lmsys.org/blog/2023-03-30-vicuna/
4. https://developer.nvidia.com/tensorrt-getting-started
5. https://onnx.ai/
6. https://developer.nvidia.com/nsight-systems/get-started
7. https://developer.nvidia.com/nsight-compute
8. https://numba.pydata.org/
9. https://numba.readthedocs.io/en/stable/user/5minguide.html
10. https://www.nvidia.com/en-us/glossary/numba/
11. https://docs.python.org/3/library/profile.html#module-cProfile

הרקע לפרויקט:

מודלים של למידה מבוססת חיזוקים נוטים להיות לא יציבים ולעיתים לא מצליחים להתכנס. בעזרת שימוש בכלים של אימות פורמלי ניתן לקבל מידע שיעזור לסוכן ללמוד ולהגיע להתכנסות יציבה.

מטרת הפרויקט:

להצליח להראות תרומה של כלי אימות פורמלי עבור בעיות גדולות של למידה מבוססת חיזוקים, בדגש על סוכן סטוכסטי.

תכולת הפרויקט:

מימוש חיבור של כלי אימות הסתברותי לבעיות RL בסקייל גדול, מתוך מטרה לייצב את הלמידה ולאפשר לה להתכנס.

קורסי קדם:

למידה מבוססת חיזוקים, אימות פורמלי וסיתנזה

דרישות נוספות:

יכולת תכנות גבוהה

מקורות:

https://drive.google.com/file/d/1WAOVDmMDfXpxZ0X0IXu6LAzFKJSVMLrQ/view

הרקע לפרויקט:

מודלים של למידה מבוססת חיזוקים משלבים בתוכם רשתות נוירונים עמוקות. נרצה להשתמש בכלי אימות פורמלי על מנת לקבל מידע שיעזור לסוכן ללמוד ולהגיע להתכנסות יציבה.

מטרת הפרויקט:

להצליח להראות תרומה של כלי אימות פורמלי עבור בעיות RL המשלבות רשתות נוירונים עמוקות.

תכולת הפרויקט:

בנייה ותכנון של בעיות המשתמשות ב-DRL, שניתן להשתמש עבורן בכלי אימות פורמלי על מנת לייצב את הלמידה ולאפשר לה להתכנס.

קורסי קדם:

למידה מבוססת חיזוקים, אימות פורמלי וסינטזה

דרישות נוספות:

יכולת תכנות גבוהה

מקורות:

https://drive.google.com/file/d/1WAOVDmMDfXpxZ0X0IXu6LAzFKJSVMLrQ/view

הרקע לפרויקט:

רשתות גנטיות חישוביות מאפשרות לתאר דינמיקה של רשתות גנטיות בתאים ביולוגיים וכך להסביר תצפיות ניסיוניות ולנבא תוצאות של ניסיונות שעדיין לא בוצעו. בשנים האחרונות פותחו שיטות אלגוריתמיות חדשות המאפשרות סינתזה – פתרון אוטומטי של הבעיה.

מטרת הפרויקט:

מטרת הפרויקט לפתח אלגוריתמים לסינתזה של רשתות גנטיות תוך שימוש באימות פורמלי (Formal Verification). אימות פורמלי מאפשר שימוש באלגוריתמים ושיטות מתמטיות להוכחת נכונות של מערכות תוכנה וחומרה מורכבות. בסינתזה השאיפה היא לייצר בצורה אלגוריתמית תוכנה שמובטח שעומדת באפיון נתון בלוגיקת הזמן, ובכך לקצר משמעותית את תהליך הפיתוח ולקבל מימוש נכון. בפרויקט נלמד איך שיטות אלה יכולות להיות מיושמות ומורחבות לביולוגיה.

תכולת הפרויקט:

במהלך הפרויקט הסטודנטים ירכשו ידע בשיטות אימות פורמלי וסינתזה (Formal Verification and Synthesis) וייפתחו ויבדקו אלגוריתמים לפתרון יעיל ככל הניתן לבעיית הסינתזה של רשתות גנטיות . אתגר משמעותי בסינתזה הוא קושי אלגוריתמי לנתח מרחב מצבים גדול. מטרת הפרויקט תהיה להציע פתרונות אלגוריתמיים חדשים כולל ממוש יעיל כדי לאפשר סינתזה של מערכות מורכבות.

קורסי קדם:

83691 Formal Verification and Synthesis (במקביל לפרויקט)

מקורות:

1. Manna, Zohar, and Amir Pnueli. "Temporal verification of reactive systems: safety." Springer (1995).
2. A. Pnueli and R. Rosner "On the synthesis of a reactive module". POPL '89 Proceedings of the 16th ACM SIGPLAN-SIGACT symposium on Principles of programming languages, Pages 179-190, 1989.
3. Boyan Yordanov, Sara-Jane Dunn, Colin Gravill, Hillel Kugler, Christoph M Wintersteiger
4. An SMT-Based Framework for Reasoning About Discrete Biological Models. ISBRA’22, LNCS Springer 2022.

הרקע לפרויקט:

לצד נתונים ממערכות מידע, נתונים רבים מגיעים כיום מחיישנים כמו וידאו אודיו וכדומה. חיישנים אלו דוגמים את העולם האמיתי בתדירות גבוהה (למשל, 32 פריים לשנייה במצלמות) ויוצרים מידע רב אשר צריך להיות מתורגם לתשובה ל: "מה קרה בעולם האמיתי". התשובה ניתנת בהרבה מקרים תוך השוואה למודל גרפי ומציאת המסלול במודל הקרוב ביותר לקורה במציאות. התחום קשור לכריית תהליכים - אחד התחומים המתפתחים ביותר כיום.

מטרת הפרויקט:

ההישג העיקרי הוא פיתוח שיטת חיפוש יעילה אשר תדע להתמודד עם כמות מידע גבוהה.

תכולת הפרויקט:

1. רענון/לימוד שיטות חיפוש על גרף Dijkstra, A-star, SAT
2. חשיבה על שיטות חיפוש חדשות העובדות על מידע וודאי ועל מידע לא וודאי.
3. חשיבה על שינויי שיטות הקיימות והבנה באלו תנאים שיטה אחת יעילה יותר מהאחרת
4. ניסויים

קורסי קדם:

תנאים לביצוע הפרויקט:

• קורסי אלגוריתמיקה עם ציונים מ- 90 (לפחות מבני נתונים ואלגוריתמים 1), פייתון ברמה גבוהה, מתמטיקה דיסקרטית/קומבינטוריקה ברמה גבוהה. קורסי אלגוריתמיקה נוספים - יתרון.
• יש לקחת את קורס מידול וכריית תהליכים הניתן בסמסטר ב.

דרישות נוספות:

יתרון לבעלי דרישות הקדם ולידע בנושא למידה מבוססת חיזוקים, למידת מכונה

מקורות:

יתנו למועמדים מתאימים

הרקע לפרויקט:

לאחרונה, בשיתוף פעולה עם גורמים תעשיתים, פיתחנו מתקפת ערוצי צד מתוחכמת שממוטטת שיטות הגנה ידועות וחקורות היטב במשך שנים. מתקפות ערוצי צד מחלצות אינפורמציה מרכיבים קריפטוגראפית ע"י מדידה (רועשת) במישור הפיסיקאלי.

המטרה בפרויקט הינה לנתח תכונות מתקדמות של שיטת מתקפה זו אשר משלבת כלים מעולם תקיפות ערוצי צד קלאסי, עם בניית היפוטזות מתקדמות בתרחיש known plaintext attack לא טריוויאלי, שבו בצורה אנו ממיינים את הזליגות המגיעות מ plaintexts שונים לפי תתי משתנים פנימיים באלגוריתם הקריפטוגראפי ולאחר מכן אנו מבצעים מודולציה ייעודית (מה שנקרא פרמוטציות – או סידור סט הזליגות בדרך מוגדרת) לחילוץ אינפורמציה ממימשור התדר. הכח של השיטה הוא בכח הקומבינטורי – היות ובתקיפות ערוצי צד דרושות הרבה התבונניות כי הזליגה מרכיבים אלקטרוניים רועשת, בגלל שיש המון פרמוטציות על זליגות שונות שמכילות אינפורמציה נוספת על קומבינציות של זליגות, אנחנו נותנים לתוקף כח סטטיסטי עצום. בנוסף, לאחר FFT הזליגה מחולצת ממישור התדר\הספקטרום, שהוא טרנספורם לא ליניארי, ולכן מומנטים סטטיסטיים גבוהים של הזליגה מתגלים מה שממוטת מספר שיטות הגנה ידועות.

מטרת הפרויקט:

בניית קוד מודולרי וקל לשימוש (עדיפות פייטון, אפשרי מטלב ושפות אחרות) לביצוע המתקפה המתקדמת (עם כל הפרמטרים השונים שלה). הפעלה על דאטה סטים שונים שיינתנו לסטודנטים שבמהותם נמדדו מרכיבים שונים עם ארכיטקטורות שונות ולכן הזליגה והתכונות שלה שונות מה שדורש התאמת הפרמטרים של המתקפה.

תכולת הפרויקט:

הסטודנטים יקראו וילמדו את המתקפה. יקבלו מספר דאטה-סטים של זליגות מוגנות בשיטות שונות וממספר פלטפורמות חישוב שונות. הסטודנטים יטייבו את מטודולוגיות התקיפה ויבחנו מספר פרמטרים מתקדמים שלה בקונטקסט של שיטות ההגנה השונות, לבסוף ולאורך כל הדרך ינתחו תוצאות וייבצעו אופטימיזציה בהתאם למטריקות הגנה מוגדרות.

קורסי קדם:

ידע קודם בסיסי באבטחת חומרה \ מתקפות ערוצי צד (קריפטוגרפיה בסיסית) נדרש.

דרישות נוספות:

יכולות גבוהות בפייטון \ מטלב ויכולת עבודה עם סביבות קוד מורכבות.


יכולות תכנותיות ואנליטיות גבוהות.
נכונות להיקף עבודה משמעותי.

מקורות:

מקורות נוספים יינתנו למתאימים, תיאורי דאטה-בייס, קוד מתקפה ותיאור המתקפות המתימטי.

M. Avital and I. Levi, "SCMA: Plaintext Classification Assisted Side Channel Spectral Modulation Attacks. Towards Noise-insensitive SCA Attacks...", IACR Cryptology ePrint report 2023/459, Mar. 2023.