Final projects - תואר ראשון בהנדסת חשמל (B.Sc) - לעמוד בחזית הטכנולוגיה - התמחות בעיבוד אותות תשפ"ה

הרקע לפרויקט:

ניתוחי מוח למחלות שונות כוללים במקרים רבים הסרה של איזורים פתולוגיים מסוימים, למשל איזור עם גידול סרטני. לצורך שימור ושיקום יכולות תפקודיות קריטיות כמו דיבור, תנועה, ותפקודים קוגניטיביים אחרים, יש צורך למפות איזורים תפקודיים במטופלים. אלקטרוקורטיקוגרפיה (ECOG) היא טכנולוגיה מבטיחה המקליטה פעילות מוחית חשמלית באמצעות אלקטרודות ייעודיות המונחות ישירות על פני המוח החשוף. טכנולוגיה זו מאפשרת להקליט אותות מוחיים ייחודים ברזולוציה זמנית ומרחבית גבוהה, ועל כן משמשת בין השאר ככלי קליני שימושי למיפוי תפקוד המוח אצל אוכלוסיות קליניות שונות. במחקרים קודמים הראינו כי נתוני ECOG, הנאספו ממספר סנסורים במקביל במהלך ניתוח מוח בערות של מטופלים עם גידול מוחי, מכילים מידע הקשור לרשתות מוחיות תפקודיות. עם זאת, דפוסי הקישוריות בין הפעילות המוחית שנמדדה בסנסורים השונים נשארו לא ידועים. קישוריות זו הינה אינדיקציה לאופן שבו נוירונים מתקשרים ביניהם ,ומכאן חשיבותה הרבה.

בפרויקט זה נשתמש בכלים חישוביים ונבחן דפוסי קישוריות מוחית באמצעות ניתוח האותות המוחיים. נתמקד במדד של צימוד משרעת-פאזה (Phase-Amplitude Coupling, PAC) המתאר את הקשר שבין שתי רצועות תדירות. לחקירת דפוסי קישוריות ברמות המוח ואיזורי המוח השונים יש חשיבות קלינית לצורך פיתוח כלים רפואיים תומכי החלטה והבנה טובה יותר של המנגנונים העומדים בבסיס מחלות נוירולוגיות שונות. כמו כן, הם מהווים בסיס לפיתוח של ממשקים עצביים כגון ממשקי מוח-מחשב (Brain computer interfaces, BCIs).

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בשיטות חישוביות שונות למדידת קישוריות מוחית עבור אותות עצביים שהוקלטו באמצעות ECOG. האותות הוקלטו ממטופלים עם גידול מוחי במהלך ניתוח מוח בערות. הפרויקט יכלול ניתוח נתונים ושימוש במודלים סטטיסטיים כדי לאפיין דפוסי קישוריות במצבים שונים כגון משימות שונות שביצעו המטופלים.

תכולת הפרויקט:

עבודת הסטודנטים תכלול : לימוד תאורטי וקריאה בספרות על מחקרים בתחום, עיבוד מקדים של הנתונים, חישוב קישוריות מתוך הסיגנלים באמצעות מספר שיטות אנליזה, שימוש במודלים סטטיסטים. שימוש ופיתוח כלים בכלים בעיבוד אותות והצגת נתונים.

קורסי קדם:

אין

דרישות נוספות:

מדעי נתונים ביולוגיים, כל ידע בתחום מדעי המוח

מקורות:

1. Assem, M., Hart, M. G., Coelho, P., Romero-Garcia, R., McDonald, A., Woodberry, E., Morris, R. C., Price, S. J., Suckling, J., Santarius, T., Duncan, J., & Erez, Y. (2023). High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks. Cortex, 159, 286–298. https://doi.org/10.1016/j.cortex.2022.12.007
2. Murta, T., Chaudhary, U. J., Tierney, T. M., Dias, A., Leite, M., Carmichael, D. W., Figueiredo, P., & Lemieux, L. (2017). Phase–amplitude coupling and the BOLD signal: A simultaneous intracranial EEG (icEEG) - fMRI study in humans performing a finger-tapping task. NeuroImage, 146, 438–451. https://doi.org/10.1016/j.neuroimage.2016.08.036
3. Penny, W. D., Duzel, E., Miller, K. J., & Ojemann, J. G. (2008). Testing for nested oscillation. Journal of Neuroscience Methods, 174(1), 50–61. https://doi.org/10.1016/j.jneumeth.2008.06.035
4. Canolty, R. T., Edwards, E., Dalal, S. S., Soltani, M., Nagarajan, S. S., Kirsch, H. E., Berger, M. S., Barbare, N. M., & Knight, R. T. (2006). High gamma power is phase-locked to theta oscillations in human neocortex. Science, 313(5793), 1626–1628. https://doi.org/10.1126/science.1128115

הרקע לפרויקט:

מפות גנומיות מספקות תמונת מצב מפורטת של התאים ברקמות. במעבדה אנחנו משתמשים בטכנולוגיה חדשה שמאפשרת מדידה מרחבית של מפות גנומיות, וכך אפשר למדוד אינטראקציות בין תאים. כימות האינטראקציות בין תאים יכול לאפשר מידול של מחלות מורכבות כגון סרטן. עם זאת, תמונת המצב הנמדדת היא רגעית בלבד, ולכן אין מידע לגבי הדינמיות בתאים.
באמצעות מודל חישובי חדש בשם RNA velocity המתבסס על משוואות קצב ניתן לתאר את הדינמיות והכיווניות העתידית בביטוי הגנים בתאים. מודל נוסף המבוסס על Matrix Factorization יחשוף אילו גנים משתנים ביחד ומושפעים מהקרבה בין סוגי התאים השונים.
האם ניבוי המצב העתידי של התאים ברקמה סרטנית יחשוף אינטראקציות בין תאי סרטן לתאי מערכת חיסון? אילו קומבינציות של גנים מתארות את אותן אינטראקציות בין סוגי התאים השונים?
הפרויקט מנסה לענות על שאלות אלה תוך יישום האלגוריתמים והתאמתם למפה הגנומית המרחבית של הרקמה הסרטנית.

מטרת הפרויקט:

בפרוייקט נכתוב קוד שיממש RNA velocity model על מטריצות ביטוי גנים שהתקבלו משיטת single cell RNA sequencing. מאחר והמודל החדשני מאפשר ניבוי של ה-mRNA העתידי בתא, נחלץ מידע רחב היקף זה על התהליכים הדינמיים ברקמה הסרטנית. כמו כן, בשילוב עם המידע המרחבי של התאים ברקמה, ננסה לבדוק האם תאי מערכת החיסון מציגים דפוס ייחודי בביטוי הגנים העתידי שלהם כפונקציה של המרחק שלהם מתאי הסרטן. בנוסף, נשתמש בשיטה החישובית cNMF לזיהוי קומבינציות של גנים שמשתנים יחד ומתארים אינטראקציות בין תאי מערכת החיסון לבין תאי הסרטן.

תכולת הפרויקט:

1. ניתוח מקדים של הנתונים: הכנה מותאמת של מטריצות ביטוי גנים כקלט לאלגוריתם.
2. הכרה עמוקה של האלגוריתם לשלביו השונים, כתיבת קוד בפייתון שכולל מימוש של המודל.
3. ניתוח הנתונים וזיהוי דפוסים בדאטא הויזואלי שהתקבל מהמודל.
4. בחינת הקשר בין הדפוסים שהתקבלו במודל בקרב תאי מערכת החיסון לבין המידע על המרחק הפיזי שלהם מתאי הסרטן.
5. סיכום התוצאות.

קורסי קדם:

מבוא להסתברות וסטטיסטיקה

דרישות נוספות:

תכנות בפייתון.
רקע בביולוגיה הוא יתרון.
יתרון למי שלקח את הקורס בנוירו-גנומיקה.

מקורות:

1. Xia, C., Fan, J., Emanuel, G., Hao, J., & Zhuang, X. (2019). Spatial transcriptome profiling by MERFISH reveals subcellular RNA compartmentalization and cell cycle-dependent gene expression. Proceedings of the National Academy of Sciences, 116(39), 19490-19499.‏
2. La Manno, G., Soldatov, R., Zeisel, A., Braun, E., Hochgerner, H., Petukhov, V., ... & Kharchenko, P. V. (2018). RNA velocity of single cells. Nature, 560(7719), 494-498.‏
3. https://www.alonlab.org/technology

הרקע לפרויקט:

גנומיקה מרחבית היא משפחה של טכנולוגיות המאפשרת לזהות את מיקום הגנים בתוך רקמות. לטכנולוגיות אלו חשיבות רבה בסרטן, כיוון שזה מאפשר לדעת איזה סוגי תאים נמצאים בתוך ביופסיות מחולים. המעבדה שלנו יצרה מפות גנומיות המציגות את הביטוי המרחבי של כ-300 גנים שונים ברקמות סרטניות, בתוך ומחוץ לתאים ברקמה. התמונות של המפות הגנומיות יכולות לשמש כקלט לרשתות נוירונים. בנייה איכותית של רשתות הנוירונים ואימונן על גבי התמונות יכולה לחשוף מידע על מצב התאים הנמצאים ברקמה. דוגמה למצב כזה היא אינטראקציה בין תאים מסוגים שונים, למשל תא ממערכת החיסון שנמצא קרוב לתא סרטני ומושפע ממנו ברמת ביטוי הגנים שלו.
האם התמונות הגנומיות יכולות לחשוף לא רק את סוגי התאים שנמצאים בתוך הרקמה הסרטנית, אלא גם את מצב התאים והאינטראקציה ביניהם?

מטרת הפרויקט:

בפרויקט נפעיל שיטות של עיבוד תמונה לצורך התאמת המפות הגנומיות שישמשו כקלט לאלגוריתמים של למידה עמוקה. נממש כתיבת קוד ויישום של רשתות נוירונים, תוך אימון ושיפור הביצועים של המודל. נשתמש בכלים חישוביים לחלץ פרשנות ביולוגית מהרשתות, החל מזיהוי סוגי התאים ברקמה ובהמשך חשיפת אינטראקציות בין סוגי התאים השונים - האם התא הגיב ברמה הגנומית לתא הסמוך אליו על סמך התמונה שהוכנסה כקלט לרשת.

תכולת הפרויקט:

1. סקר ספרות - איזה שיטות של רשתות נוירונים / למידה עמוקה קיימות לניתוח מידע של גנומיקה מרחבית בהקשר של סרטן.
2. ניתוח ראשוני של המידע הוויזואלי בכלים של עיבוד תמונה על מנת להכין קלט לרשתות נוירונים.
3. בנייה ואימון של רשתות נוירונים לצורך ניתוח המידע.
4. פרשנות של הרשתות בעזרת כלים חישוביים כדי לגלות איזה גנים במרחב שימשו לקבלת ההחלטה.

קורסי קדם:

רשתות נוירונים

דרישות נוספות:

תכנות בפייתון.
רקע בעיבוד תמונה הוא יתרון.
רקע בביולוגיה הוא יתרון.
יתרון למי שלקח את הקורס בנוירו-גנומיקה.

מקורות:

https://www.alonlab.org/technology

הרקע לפרויקט:

אחת הדרכים להתאים טיפולים לחולים בסרטן היא על ידי מיפוי מולקולרי רחב היקף ברזולוציה גבוהה 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 שימוש בכלים חישוביים, כמו עיבוד תמונה ושיטות של למידת מכונה ולמידה עמוקה.

מטרת הפרויקט:

בפרויקט נשתמש במידע שהתקבל מטכנולוגיה שהיא בחזית המדע של חקר הסרטן - מיפוי מדויק של מולקולות ברקמה סרטנית וננתח אותו באמצעות שימוש בכלים חישוביים, כמו עיבוד תמונה ושיטות של למידת מכונה ולמידה עמוקה.

תכולת הפרויקט:

1. הכרת הנתונים הביולוגיים המשמשים כקלט וכפלט לשלב ניתוח הדאטא.
2. הבנת סט האלגוריתמים בשימוש במעבדה.
3. סקר ספרות לזיהוי כלים רלוונטים מהספרות העכשווית.
4. כתיבת קוד הכולל שיפור האלגוריתמים הקיימים במעבדה, יצירת אלגוריתמים חדשים, ואוטומציה שתאפשר ניתוח של מספר רקמות בצורה מהירה.
5. ניתוח הנתונים וזיהוי דפוסים של מצבי התאים במחלה.
6. סיכום התוצאות.

קורסי קדם:

מבוא ללמידת מכונה

דרישות נוספות:

• הקורס כריית מידע וייצוג מידע – 83676 הוא יתרון
• הקורס נוירו-גנומיקה הוא יתרון
• הקורס רשתות נוירונים הוא יתרון
• רקע בביולוגיה הוא יתרון

מקורות:

https://www.alonlab.org/technology

הרקע לפרויקט:

תחום הגנומיקה מאפשר מדידה רבת היקף של גנים -- כל הגנים (כ-20 אלף) נמדדים בו זמנית. גנומיקה ברמת התא הבודד מאפשרת לזהות את התוכן המולקולרי של התאים, כלומר איזה גנים באים לידי ביטוי בכל תא. בזכות המדידה של כלל הגנים, גנומיקה ברמת התא הבודד מאפשרת לזהות בקלות יחסית את סוגי תאים: למשל, האם התא שנחקר הוא תא סרטני?.
גנומיקה מרחבית היא משפחה של טכנולוגיות המאפשרת לזהות את מיקום הגנים בתוך רקמות. המעבדה שלנו יצרה מפות גנומיות המציגות את הביטוי המרחבי של כ-300 גנים שונים ברקמות סרטניות. עם זאת, מכיוון שלא נמדדים כלל הגנים אלא רק חלק מהם, זיהוי סוגי התאים הופך למשימה מורכבת יותר.
האם ניתן להסיק מנתוני הגנומיקה במרחב את סוגי התאים? אם נדע לעשות את זה נוכל לדעת אם בביופסיה של חולים יש תאי סרטן שצמודים לתאי חיסון, ולכך יש חשיבות רבה בטיפול בסרטן. יש למשל משפחה של תרופות אימונותרפיות, שהיעילות שלהן תלויה בכך שתאי חיסון יהיו סמוכים פיזית לתאי הסרטן.

מטרת הפרויקט:

כדי להסיק מנתוני גנומיקה במרחב את סוגי התאים אנחנו נשתמש במידע מרובה היבטים: נשתמש גם במדידות של הגנים במרחב, גם במדידות גנומיות ברמת התא הבודד (מרקמות סמוכות), גם במיקום התאים במרחב, וגם בצורה הפיזית של התאים, שאותה אפשר לזהות ממדידות של גנומיקה במרחב.
את כל הנתונים הללו נכניס כקלט למודל של רשתות נוירונים / למידה עמוקה. המטרה תהיה לזהות את סוגי התאים ברקמות הסרטניות.

בפרויקט נפעיל שיטות של עיבוד תמונה כדי לזהות את צורת התאים ומיקומם במרחב. נממש כתיבת קוד ויישום של רשתות נוירונים, תוך אימון ושיפור הביצועים של המודל. נשתמש ברשת נוירונים שמאפשרת לחלץ בקלות יחסית פרשנות לאיך התקבלה ההחלטה על סוגי התאים.

תכולת הפרויקט:

1. ניתוח של המידע הוויזואלי בכלים של עיבוד תמונה על מנת לזהות את צורות התאים ומיקומם.
2. אינטגרציה של מידע מרובה היבטים.
3. בנייה ואימון של עצי החלטה לצורך ניתוח המידע.
4. בנייה ואימון של רשתות נוירונים לצורך ניתוח המידע.
5. פרשנות של הרשתות בעזרת כלים חישוביים כדי לגלות איך התקבלה ההחלטה על סיווג התאים.
6. השוואה לידע מוקדם וסיכום הנתונים.

קורסי קדם:

• רשתות נוירונים

דרישות נוספות:

• הקורס כריית מידע וייצוג מידע נחוץ - אפשר לעשות אותו במקביל לפרויקט.
• תכנות בפייתון הכרחי.
• רקע בעיבוד תמונה הוא יתרון.
• רקע בביולוגיה הוא יתרון.
• יתרון למי שלקח את הקורס בנוירו-גנומיקה.

מקורות:

1. https://www.alonlab.org/technology
2. https://proceedings.mlr.press/v162/yang22i.html

הרקע לפרויקט:

ניתוחי מוח למחלות שונות כוללים במקרים רבים הסרה של איזורים פתולוגיים מסוימים, למשל איזור עם גידול סרטני. לצורך שימור ושיקום יכולות תפקודיות קריטיות כמו דיבור, תנועה, ותפקודים קוגניטיביים אחרים, יש צורך למפות איזורים תפקודיים במטופלים. אלקטרודות ייעודיות המונחות ישירות על המוח החשוף מאפשרות להקליט פעילות מוחית חשמלית בטכנולוגיה מבטיחה הנקראת אלקטרוקורטיקוגרפיה (ECOG). במחקרים קודמים הראינו כי נתוני ECOG הנאספו ממספר סנסורים במהלך ניתוח מוח בערות של מטופלים עם גידול מוחי, מכילים מידע הקשור לרשתות מוחיות הקשורות לתפקודים שונים. עם זאת, אנחנו מאמינים שיש שוני בארגון הרשתות בין המטופלים. מציאת שיטות להתאמה אישית של ארגון הרשתות במוח ברמת הפרט הינה שלב קריטי במיפוי המוח.

בפרויקט זה נשתמש בכלים של למידת מכונה ולמידה עמוקה כדי לחזות את הרשתות המוחיות שבהן נמצאים הסנסורים השונים. במהלך הפרויקט נשתמש גם בשיטות שונות של עיבוד אותות על מנת לקבל מאפיינים שונים על כל אות חשמלי במטרה להשתמש במאפיינים אלה לחיזוי הרשת אליה שייך כל סנסור.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של למידת מכונה ולמידה עמוקה לסיווג של כל סנסור אל הרשת אליה שייך תוך התמקדות ברשת ספציפית, דבר היכול להוביל למיפוי מוח אישי. הפרויקט יכלול ניתוח נתונים, שימוש במודלים מעולמות הלמידה עמוקה ומודלים סטטיסטים על מנת למפות את ארגון הרשתות במוח ברמת הפרט.

תכולת הפרויקט:

עבודת הסטודנטים תכלול : לימוד תאורטי וקריאה בספרות על מחקרים בתחום, עיבוד מקדים של הנתונים, בניית מודלים לחיזוי מיקום האלקטרודות במוח האדם ברמת הפרט, שימוש במודלים סטטיסטים. שימוש ופיתוח כלים בכלים בעיבוד אותות והצגת נתונים.

קורסי קדם:

אין

דרישות נוספות:

עיבוד אותות, מדעי נתונים ביולוגיים, כל ידע בתחום מדעי המוח , יכולות תכנות בפייתון או matlab, מבוא ללמידת מכונה.

מקורות:

1. Assem, M., Hart, M. G., Coelho, P., Romero-Garcia, R., McDonald, A., Woodberry, E., Morris, R. C., Price, S. J., Suckling, J., Santarius, T., Duncan, J., & Erez, Y. (2023). High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks. Cortex, 159, 286–298. https://doi.org/10.1016/j.cortex.2022.12.007
2. Penny, W. D., Duzel, E., Miller, K. J., & Ojemann, J. G. (2008). Testing for nested oscillation. Journal of Neuroscience Methods, 174(1), 50–61. https://doi.org/10.1016/j.jneumeth.2008.06.035

הרקע לפרויקט:

עומס קוגניטיבי הינו אחד החסמים העיקריים בתפעול מערכות שונות ונמצא כיום במרכז העניין של חברות רבות בתעשייה. על מנת לנטר עומס קוגניטיבי, יש צורך לפתח ממשקי מוח-מכונה אשר יאפשרו למדוד את רמת העומס בזמן אמת. גורמים רבים משפיעים על עומס קוגניטיבי, ביניהם סביבה ויזואלית עמוסה ועשירה שבה יש מידע רב שחלק משמעותי ממנו אינו רלוונטי לביצוע המשימה. מכשיר עוקב עיניים הינו ציוד טכנולוגי מתקדם שמיועד למדידה ולרישום של תנועות העיניים ברזולוציה גבוה. בין השאר, טכנולוגיה זו משמשת לזיהוי המידע שעליו מסתכלים ולהבנה של האופן שבו אנו פועלים בסביבה ויזואלית. על כן, שימוש בתנועות עיניים מהווה בסיס לפיתוחים של ממשק-מוח מכונה שבהן תפעול מערכות מותאם למצב הקוגניטיבי כפי שנמדד בתנועות העיניים, כמו גם מערכות שמופעלות ללא מגע על בסיס תנועות עיניים.

במהלך הפרויקט נרצה לזהות עומס קוגניטיבי באמצעות מדדים שונים הנמדדים באמצעות עוקב העיניים. הפרויקט יתמקד בניבוי מצב של עומס קוגניטיבי על-פי המדדים השונים, לדוגמא גודל האישון, זמן תנועת העין ועוד. לצורך כך תיבנה פרדיגמה ניסויית ממוחשבת עם עומס קוגניטיבי משתנה, אותה ניישם בעזרת מכשיר עוקב עיניים מתקדם ואיסוף נתונים בניסויים עם נבדקים. בהמשך נבצע ניתוח נתונים תוך שימוש במודלים של למידת מכונה.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של למידת מכונה ולמידה עמוקה לניבוי מצב של עומס קוגנטיבי תוך שימוש במאפיינים הנמדדים ממערכת עוקב עיניים מתקדמת. הפרויקט יכלול ניתוח נתונים, ושימוש במודלים מעולמות למידת המכונה והלמידה עמוקה.

תכולת הפרויקט:

עבודת הסטודנטים תכלול: לימוד תאורטי וקריאה בספרות על מחקרים בתחום, בניית פרדיגמה ניסויית, איסוף נתונים, עיבוד מקדים של הנתונים, בניית מודלים לניבוי מצב של עומס קוגנטיבי, שימוש במודלים של למידת מכונה ולמידה עמוקה.

קורסי קדם:

אין

דרישות נוספות:

מדעי נתונים ביולוגיים, כל ידע בתחום מדעי המוח , יכולות תכנות בפייתון או matlab, מבוא ללמידת מכונה.

מקורות:

1. Buschman, T. J., & Kastner, S. (2015). From behavior to neural dynamics: An integrated theory of attention. Neuron, 88(1), 127–144.
2. Carrasco, M. (2011). Visual attention: The past 25 years. Vision Research, 51(13), 1484–1525.
3. Carter, B. T., & Luke, S. G. (2020). Best practices in eye tracking research. International Journal of Psychophysiology, 155, 49–62.

הרקע לפרויקט:

Circadian genes regulate biological rhythms that follow a 24-hour cycle, influencing various physiological processes such as sleep, metabolism, and organ function. In the kidney, these genes control the timing of vital functions like electrolyte balance, filtration, and blood pressure regulation. Researching circadian genes in the kidney can improve kidney disease therapy by identifying how disruptions in these rhythms contribute to disease progression and how timing treatments to the body’s natural cycles might enhance their efficacy. Understanding circadian regulation may lead to more personalized and effective therapeutic strategies for kidney disorders.

מטרת הפרויקט:

The aim of this project is to characterize the dynamics of circadian genes in the kidney through the use of machine learning techniques and bioinformatic tools.

תכולת הפרויקט:

Data processing, R programming and algorithm implementation, learning and applying computational methods for analysing time-dependent biological processes, possibility of collaborative work with other labs.

קורסי קדם:

נוירוגנומיקה או ביולוגיה חישובית, מדעי נתונים ביולוגים

דרישות נוספות:

בסיס בשפת תכנות R, מערכת UNIX

מקורות:

1. Bingham, M. A., Neijman, K., Yang, C. R., Aponte, A., Mak, A., Kikuchi, H., Jung, H. J., Poll, B. G., Raghuram, V., Park, E., Chou, C. L., Chen, L., Leipziger, J., Knepper, M. A., & Dona, M. (2023). Circadian gene expression in mouse renal proximal tubule. American journal of physiology. Renal physiology, 324(3), F301–F314. https://doi.org/10.1152/ajprenal.00231.2022
2. Carbonetto, P., Luo, K., Sarkar, A. et al. GoM DE: interpreting structure in sequence count data with differential expression analysis allowing for grades of membership. Genome Biol 24, 236 (2023). https://doi.org/10.1186/s13059-023-03067-9

הרקע לפרויקט:

Machine learning plays a transformative role in analyzing single-cell data, helping researchers uncover meaningful patterns from vast and complex datasets. In single-cell studies, machine learning algorithms can cluster cells based on similarities in their molecular profiles, revealing hidden cell types and unique states within mixed populations. It also excels at identifying relationships and patterns that would be difficult to detect manually, such as finding key genes driving cell behavior or predicting how cells might respond to different treatments. These insights enable scientists to better understand cellular processes and diseases, ultimately leading to advances in targeted therapies and personalized medicine.

מטרת הפרויקט:

This project will leverage cutting-edge machine learning algorithms to analyze single-cell data from Wilms tumors, a pediatric kidney cancer. By applying advanced clustering and predictive models, we aim to map the cellular landscape of Wilms tumors at an unprecedented level of detail, identifying specific cell types, subtypes, and cellular states. Machine learning will be used to pinpoint key genes and pathways that drive tumor growth, differentiation, and response to treatments. The insights gained could reveal novel biomarkers and therapeutic targets, paving the way for more effective, personalized treatments for young patients with Wilms tumors.

תכולת הפרויקט:

Reading of relevant literature, data preprocessing, PCA and other dimensionality reduction techniques, gene expression and regulatory analysis, and implementation of advanced downstream models.

קורסי קדם:

מומלץ: ביולוגיה חישובית/ביואינפורמטיקה או ניורו גנומיקה (אפשר גם במקביל)

דרישות נוספות:

רקע בסיסי בפייתון או R

מקורות:

1. https://pubmed.ncbi.nlm.nih.gov/36834944/
2. https://www.nature.com/articles/s41576-023-00586-w

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. בפרויקט נשלב שיטות של למידת מכונה לניתוח מרחב הפתרונות ולניבוי התנהגות תאי כליה

מטרת הפרויקט:

מטרת הפרויקט לשלב אלגוריתמים לסינתזה של רשתות גנטיות תוך שימוש באימות פורמלי (Formal Verification) עם שיטות של למידת מכונה. 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 של תאי כליה.

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 של שיפורים בקוד של שילוב של למידת מכונה ואימות.

קורסי קדם:

83670 Biological Computation

מקורות:

1. B. Yordanov S-J Dunn, H. Kugler, A. Smith, G. Martello and S. Emmott. A method to identify and analyze biological programs through automated reasoning. Nature Systems Biology and Applications, 2016.
2. Manna, Zohar, and Amir Pnueli. "Temporal verification of reactive systems: safety." Springer (1995). https://www.nature.com/articles/s41556-023-01131-x

הרקע לפרויקט:

על ידי עירור תאי זכרון בעזרת לייזר אנו גורמים לתגובה ברשת החשמלית של ספק המתח לטרנזיסטורים המרכיבים תא זכרון. את תגובת המתח (ערוץ צד) אנו דוגמים ומזינים לרשת נוירונים שתמצא מה הערך האגור בכל תא זכרון.

מטרת הפרויקט:

התוצר הסופי יהיה רשת נוירונים אשר מסוגלת לקלוט דגימות מתח או זרם אשר נוצרו ע״י עירור בלייזר ולפלוט, בהסתברות כלשהי, איזה ערך אגור בתא הזכרון שהותקף.

תכולת הפרויקט:

הכרה של רשתות נוירונים, יישום רשת נוירונים DNN\CNN אשר תקבל סט דאטה ותאפשר קלאסיפיקציה של תאי זכרון על פני טווח ניסויים ופרמטרים.

קורסי קדם:

מעגלים חשמליים, מל״מ, תכנות

דרישות נוספות:

מעגלים חשמליים, מל״מ, תכנות

מקורות:

Laser Fault Injection (LFI), Laser Logic State Imaging (LLSI), Deep Neural Networks (DNN), Convolutional Neutral Networks (CNN)

הרקע לפרויקט:

In recent years Artificial Neural Networks (ANN) have reached maturity, and AI is becoming a technology used everywhere. ChatGPT , Bard and Bing have vast distribution and ANN farms are growing exponentially. The ANN attempts to mimic the human brain as closely as possible to achieve the best possible computing power. As the brain signals are analog and spikey by nature the next step for Artificial Neural Networks is to implement Analog Spiking Neural networks (A-SNN).The aim of this project is to implement a A-SNN which is competitive with recent state-of-the-art publications.

מטרת הפרויקט:

In this project you will design a highly compact matrix of Analog Spiking Neurons that combined implement a full Analog Spiking Neural networks . The Neuron implementation will include the design of a switched-cap integrator and a comparator with a precise programable threshold (see figure below).Both the switched-cap integrator and the comparator will be based on previous designs. Once the Neuron is designed you will also design an array of Neurons which implements a full Analog Spiking Neural networks.You will need to learn the theory and then implement the circuit in 28nm/0.18u CMOS. The design includes both analog and digital blocks, which will allow you to develop skills in both.

תכולת הפרויקט:

In this project the student will first design a Spiking Neuron and then combine them into a full matrix that becomes a full Analog Spiking Neural Network. The implementation will be done using digital and analog techniques. The schematics will be prepared in Virtuoso and simulated. Layout and post-layout simulations will be conducted to verify the circuit performance.

קורסי קדם:

768330301 אלקטרוניקה לינארית - חובה
768332501 מעבדה למעגלים אנלוגיים – חובה
8330801 מעגלים אלקטרוניים ספרתיים – חובה
83315 מעבדה מעגלים אלקטרוניים ספרתיים – חובה
768361101 מעגלים משולבים אנלוגיים – מומלץ

דרישות נוספות:

This project is a paid research position for students who are interested in working in our lab part time, and also pursuing an MS degree afterwards. This project is together with some industrial partners.

מקורות:

1. Y. Ko, S. Kim, K. Shin, Y. Park, S. Kim, and D. Jeon, “A 65 nm 12.92-nJ/Inference Mixed-Signal Neuromorphic Processor for Image Classification,” IEEE Transactions on Circuits and Systems II: Express Briefs, vol. 70, no. 8, pp. 2804–2808, Aug. 2023
2. M. Ochs, M. Dietl, and R. Brederlow, “An Analog and Time-Discrete Neuron with Charge-Injection for Use in Ultra-Low Power Spiking Neural Networks,” in 2024 19th Conference on Ph.D Research in Microelectronics and Electronics (PRIME). Larnaca, Cyprus: IEEE, Jun. 2024, pp. 1–4
3. J. Song, X. Tang, H. Luo, K. Xu, Y. Wang, Z. Ji, R. Wang,and R. Huang, “Spike-CIM: A 290TOPS/W Spike-Encoding Sparsity Adaptive Computing-in-Memory Macro with Differential Charge-Domain Integrate-and-Fire,” in 2022 IEEE Asian Solid-State Circuits Conference (A-SSCC). Taipei, Taiwan: IEEE, Nov. 2022, pp. 1–3

הרקע לפרויקט:

חישה וניטור אחר השינויים בתכונות האופטיות של החומר, פיזור ובליעה, הינה פעולה קשה לביצוע מאחר ואין שיטה המאפשרת להפריד ביניהם במדידה ישירה. בעבר גילינו כי ישנה נקודה (Iso-pathlength point) שאיננה תלויה בתכונות הפיזור ועל כן נקודה זו מיטבית למדידות בהן דרושה הפרדה בין הבליעה לפיזור. תופעה זו אומתה במדמי רקמה גליליים בקטרים המדמים אצבע וזרוע, ועבור זיהוי מתכות כבדות בריכוזים נמוכים. בפרויקט נרצה לפתח משוואה המתארת תופעה זו באופן אמפירי לפי ניסויים וכן לפי סימולציות.

מטרת הפרויקט:

מידול פונקציה אמפירית עבור תופעת ה- Iso-pathlength point ואישורה לפי סימולציות.

תכולת הפרויקט:

בפרויקט הסטודנטים ימדדו מים מזוהמים בריכוזים שונים בכלי זכוכית גלילי. הם יכינו מערך ניסויים עצמאי הנישען על עבודות עבר במטרה למדל את התופעה הפיזיקלית. תוך כדי הם יתחילו בביצוע של סימולציות לחומרים השונים והניסויים השונים. הסטודנטים יחלצו מהניסויים משוואה אמפירית החוזה את התופעה לפי פרמטרי מערכת ואופטיים שונים של החומר. לבסוף הם יבדקו את ביצועה וימחישו זאת חומרים אחרים.

קורסי קדם:

מבוא לאופטיקה, שדות אלקטרומגנטיים.

דרישות נוספות:

גלאים, מעבדה באופטיקה.

מקורות:

1. Duadi, H.; Feder, I.; Fixler, D., Linear dependency of full scattering profile isobaric point on tissue diameter. Journal of biomedical optics 2014, 19 (2), 026007.
2. Duadi, H.; Feder, I.; Fixler, D., Influence of detector size and positioning on near-infrared measurements and ISO-pathlength point of turbid materials. Frontiers in Physics 2021, 9, 43.
3. Feder, I.; Duadi, H.; Fixler, D., Single wavelength measurements of absorption coefficients based on iso-pathlength point. Biomedical optics express 2020, 11 (10), 5760-5771.
4. Feder, I.; Duadi, H.; Fridman, M.; Dreifuss, T.; Fixler, D., Experimentally testing the role of blood vessels in the full scattering profile: solid phantom measurements. Journal of Biomedical Photonics & Engineering 2016, 2 (4).
5. Feder, I.; Wróbel, M.; Duadi, H.; Jędrzejewska-Szczerska, M.; Fixler, D., Experimental results of full scattering profile from finger tissue-like phantom. Biomedical optics express 2016, 7 (11), 4695-4701.
6. Organization, W. H., Guidelines for drinking-water quality: incorporating the first and second addenda. World Health Organization: 2022.
7. Zulkifli, S. N.; Rahim, H. A.; Lau, W.-J., Detection of contaminants in water supply: A review on state-of-the-art monitoring technologies and their applications. Sensors and Actuators B: Chemical 2018, 255, 2657-2689.

הרקע לפרויקט:

בתעשיית איכות המים קיים צורך מובהק בזיהוי מזהמים במים. בפרט, יש צורך לדעת את סוג המזהם ואת ריכוזו באופן מוחלט. לצורך כך יש לנטר את השינויים בתכונות האופטיות של הדוגמה: פיזור ובליעה, אך בשיטות הקיימות היום קשה להפריד ביניהם. בעבר גילינו כי יש נקודת המכיילת פיזור ועל כן מיטבית למדידות בהן דרושה הפרדה בין הבליעה לפיזור. תופעה זו אומתה במדמי רקמה גליליים בקטרים המדמים אצבע, ועבור זיהוי מתכות כבדות בריכוזים נמוכים. כעת נרצה לשלב את שיטת ה-Q-sensing שמנצלת את קיטוב האור ומפרידה בין פיזור שטחי לפיזור עמוק על מנת לזהות מזהמים במים.

מטרת הפרויקט:

הוכחת שיפור יכולות הזיהוי של המערכת האופטית עבור מדידות של מזהמים במים.

תכולת הפרויקט:

בפרויקט הסטודנטים ימדדו מים מזוהמים בריכוזים משתנים של חלקיק לכל מיליון ppm בכלי זכוכית גלילי ובאורכי גל שונים. לאחר מכן יתחילו את העבודה העיקרית של שיפור המערכת האופטית למדידת פרופיל הפיזור בעזרת אמצעים וכלים אופטיים מגוונים. הסטודנטים יוכיחו כי שיפרו את יכולות הזיהוי של המערכת בכך שמדדו את המזהמים בריכוזים נמוכים יותר של חלקיק לכל מיליארד חלקיקים PPB.

קורסי קדם:

מבוא לאופטיקה, שדות אלקטרומגנטיים, גלאים, מעבדה באופטיקה.

מקורות:

1. Duadi, H.; Feder, I.; Fixler, D., Linear dependency of full scattering profile isobaric point on tissue diameter. Journal of biomedical optics 2014, 19 (2), 026007.
2. Duadi, H.; Feder, I.; Fixler, D., Influence of detector size and positioning on near-infrared measurements and ISO-pathlength point of turbid materials. Frontiers in Physics 2021, 9, 43.
3. Feder, I.; Duadi, H.; Fixler, D., Single wavelength measurements of absorption coefficients based on iso-pathlength point. Biomedical optics express 2020, 11 (10), 5760-5771.
4. Feder, I.; Duadi, H.; Fridman, M.; Dreifuss, T.; Fixler, D., Experimentally testing the role of blood vessels in the full scattering profile: solid phantom measurements. Journal of Biomedical Photonics & Engineering 2016, 2 (4).
5. Feder, I.; Wróbel, M.; Duadi, H.; Jędrzejewska-Szczerska, M.; Fixler, D., Experimental results of full scattering profile from finger tissue-like phantom. Biomedical optics express 2016, 7 (11), 4695-4701.
6. Organization, W. H., Guidelines for drinking-water quality: incorporating the first and second addenda. World Health Organization: 2022.
7. Zulkifli, S. N.; Rahim, H. A.; Lau, W.-J., Detection of contaminants in water supply: A review on state-of-the-art monitoring technologies and their applications. Sensors and Actuators B: Chemical 2018, 255, 2657-2689.

הרקע לפרויקט:

התכונות האופטיות של החומר מגדירות את אופן האינטראקציה של האור עם רקמות ביולוגיות. שיטות קיימות לא מצליחות להפריד בין אור שחוזר מפיזור מרובה ז"א מאור שחדר עמוק לרקמה לבין אור שחוזר אחרי פיזורים מועטים ז"א ממיקרונים בודדים מתחת לפני השטח. בפרויקט זה נעשה שימוש בקיטוב של האור על מנת להפריד בין סוגי הפיזורים הללו, ונחקור את עומק החדירה של פוטונים.

מטרת הפרויקט:

מדידת עומק החדירה של פוטונים לפי מיקום הקריאה של הגלאי ביחס לתכונות האופטיות של הרקמה.

תכולת הפרויקט:

במסגרת הפרויקט הסטודנטים יכיילו מערכות אופטיות קיימות ואף ישפרו אותן על מנת לשפר את הרזולוציה. הסטודנטים יכינו את הרקמות המלאכותיות במעבדה וימדדו אותן במערכת עם שיטת ה- Q-sensing.

קורסי קדם:

מבוא לאופטיקה, שדות אלקטרומגנטיים, גלאים, מעבדה באופטיקה.

מקורות:

1. Duadi, H.; Feder, I.; Fixler, D., Linear dependency of full scattering profile isobaric point on tissue diameter. Journal of biomedical optics 2014, 19 (2), 026007.
2. Duadi, H.; Feder, I.; Fixler, D., Influence of detector size and positioning on near-infrared measurements and ISO-pathlength point of turbid materials. Frontiers in Physics 2021, 9, 43.
3. Feder, I.; Duadi, H.; Fixler, D., Single wavelength measurements of absorption coefficients based on iso-pathlength point. Biomedical optics express 2020, 11 (10), 5760-5771.
4. Feder, I.; Duadi, H.; Fridman, M.; Dreifuss, T.; Fixler, D., Experimentally testing the role of blood vessels in the full scattering profile: solid phantom measurements. Journal of Biomedical Photonics & Engineering 2016, 2 (4).
5. Feder, I.; Wróbel, M.; Duadi, H.; Jędrzejewska-Szczerska, M.; Fixler, D., Experimental results of full scattering profile from finger tissue-like phantom. Biomedical optics express 2016, 7 (11), 4695-4701.
6. Organization, W. H., Guidelines for drinking-water quality: incorporating the first and second addenda. World Health Organization: 2022.
7. Zulkifli, S. N.; Rahim, H. A.; Lau, W.-J., Detection of contaminants in water supply: A review on state-of-the-art monitoring technologies and their applications. Sensors and Actuators B: Chemical 2018, 255, 2657-2689.

הרקע לפרויקט:

כאשר קרינה אלקטרומגנטית פוגעת בחומר, האינטראקציה שנוצרת היא ייחודית עבור כל חומר ואורך הגל של הקרינה. התוצאה (בליעה, פיזור, שינוי כיוון) תלויה בתכונות האופטיות של החומר עבור כל אורך גל, ולכן מדידה של תוצאת האינטראקציה, אותה ניתן לעשות באופן בלתי פולשני, מאפשרת לזהות חומרים באמצעים אופטיים. תכונות דומיננטיות של החומר הן הבליעה והפיזור. אם חומר הוא גם מפזר וגם בולע, כמו רקמות אנושיות, משימת חילוץ התכונות האופטיות מתוך המדידה נעשית עוד יותר מאתגרת מכיוון שקשה להפריד בין התכונות השונות. כדור אינטגרציה מאפשר לנתח את האור העובר דרך דוגמת חומר ומאפשר ללמוד על התכונות האופטיות של אותו החומר.

מטרת הפרויקט:

ביסוס מתודולוגי של חילוץ בליעה ופיזור מכדור אינטגרציה.

תכולת הפרויקט:

למידה: מהו כדור אינטגרציה, אופן הפעולה, שימושים, מבנה, קוד, ממשק.
בניית סט אפ אופטי.
הכנת דוגמאות למדידה.
שימוש בקוד אנליזה.
בניית ממשק משתמש.
השוואה עם שיטות אחרות.

קורסי קדם:

שדות אלקטרומגנטיים / מבוא לאלקטרואופטיקה

מקורות:

1. Prahl, S. (1999). Optical property measurements using the inverse adding-doubling program. Oregon Medical Laser Center, St. Vincent Hospital, 9205, 1-53.‏
2. D. K. Edwards, J. T. Gier, K. E. Nelson, and R. D. Roddick, "Integrating Sphere for Imperfectly Diffuse Samples*," J. Opt. Soc. Am. 51, 1279-1288 (1961)
3. Lemaillet, P., Cooksey, C. C., Hwang, J., Wabnitz, H., Grosenick, D., Yang, L., & Allen, D. W. (2017). Correction of an adding-doubling inversion algorithm for the measurement of the optical parameters of turbid media. Biomedical Optics Express, 9(1), 55-71.

הרקע לפרויקט:

במעבדה בוצע פיתוח של סנסור פוטוני המבוסס על סיב אופטי מיוחד שהדגים יכולת ראשונה לניטור נזילות של מים מצינור ומדידת שינויי ספיקה. יש רצון להרחיב יכולות אלו למדידה יותר נרחבת של ניטור צינורות מים. עיקרון הפעולה של סנסור הסיב הפוטוני כולל הזרקת אור דרך סיב מרובה מודים ומדידת שינוי בבניות ההתאבכות של המודים בינן לבין עצמם ביציאת הסיב. תבניות התאבכות אלו קשורות במעוותים שונים הנוצרים בסיב החישה ויכולים להעיד על מצב של נזילה בצנרת בה סיב החישה הותקן. ניתוח תבניות האור כולל הן ניתוח קלאסי והן הפעלה של אלגוריתמיקת למידת מכונה ובינה מלאכותית.

מטרת הפרויקט:

פיתוח אלגוריתמיקת חישה והדגמתה במערכת משאבות וצינורות מים

תכולת הפרויקט:

פיתוח אלגוריתמי, ניסויי מעבדה, ניתוח תוצאות

קורסי קדם:

מבוא לאופטיקה, אותות ומערכות

מקורות:

J. Philosof, Ye. Beiderman, S. Agdarov, Ya. Beiderman and Z. Zalevsky, “Optical multimode fiber-based pipe leakage sensor using speckle pattern analysis,” Sensors 2023, 23, 8634 (2023).

הרקע לפרויקט:

הניסוי מוצע כניסוי המשך לסטודנטים במסלול אלקטרו-אופטיקה בשנה ד'.
משלב עיבוד אותות, אנטנות וקרינה, התפשטות אותות אלקטרו-מגנטיים, תוכנה ואלגוריתמיקה באלקטרו-אופטיקה. מאפשר למידה בתחום חישה קוהרנטית וזיהוי בעזרת תבניות Speckle, על בסיס מערכת מקמ"ש RF ו PNA ארבע-ערוצי שמומשה בהצלחה בפרוייקט קודם

מטרת הפרויקט:

ייצוב אלגוריתם ופיתוח קוד לזיהוי אותות חיים מאחורי מחסום אור נראה

תכולת הפרויקט:

א. שיפור ממשק לעיבוד הנתונים, מימוש אוטומציה בממשק Matlab
ב. סגירת אלגוריתמיקה והוכחת תקינותה על דאטה בייס נרחב וחיצוני, עיבוד אות, ניתוח תבניות Speckle
ג. עריכת ממשק ויזואלי והצגת תמונת שטח – מכ"מ בזמן אמת, חישה וניטור תנועה
ד. מודל מתמטי ופיסיקלי
ה. קוד ML על בסיס האלגוריתמיקה

קורסי קדם:

אופטיקה, גלים אלקטרומגנטים, machine learning, עיבוד אות

דרישות נוספות:

תכנות, matlab, רקע באנטנות וקרינה

מקורות:

1. Jones, R., & Wykes, C. (2012). Holographic and speckle interferometry (2nd ed., Vol. 6). Cambridge University Press.
2. P. Jacquot and J.-M. Fournier, Eds., Interferometry in speckle light. Berlin, Heidelberg: Springer Berlin Heidelberg, 2000.
3. InSARPrinciples P1, P2 (NASA)
4. Antenna Theory, Analysis & Design, C.Balanis

הרקע לפרויקט:

כיום, קיימות בדיקות לגילוי הדבקה בוירוס משני סוגים: בדיקות מבוססות הגבר DNA שהן מאד מדוייקות ומאד איטיות, ומאידך בדיקות מהירות אך פחות רגישות, כך שהן נותנות מענה רק בשלבי הדבקה מתקדמים. כפי שראינו בהתפשטות הקורונה, זה לא מספיק לבלימת מגפות ולכן הפרויקט יעסוק בסוג חדש של בדיקות מהירות ורגישות שמפותח במעבדה, המבוססות על הגבר של ננו-חלקיקים. הפרויקט מתאים למעוניינים להמשיך למחקר ומהווה המשך לפרויקט משנים קודמות.

מטרת הפרויקט:

מידול מתימטי של בדיקה וירלית המתבססת על הגבר של ננו-חלקיקים, ואפיון זמני הבדיקה ורגישותה.

תכולת הפרויקט:

בפרויקט יעשה שימוש במדידות שנעשו לאחרונה על ננו-חלקיקים המסוגלים לשחרר חומר מגיב בתגובה לנוכחות של מולקולות ספציפיות. המדידות יתורגמו למודל מתימטי בו יעשה שימוש הן לניתוח והן לסימולציה של מערכת ננו-חלקיקים שמסוגלת לזהות וירוסים.

קורסי קדם:

נושאים מתקדמים בתקשורת (במקביל לפרויקט)

מקורות:

Bergel, Itsik. "Detection and amplification of molecular signals using cooperating nano-devices." In ICASSP 2019-2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 1259-1263. IEEE, 2019

הרקע לפרויקט:

בכפר גלובלי כמו כדור הארץ של 2023, יותר ויותר מכשירים מתחברים לרשת תקשורת. ככאלה, קריטי לדעת את המיקום שלהם ולו רק למטרות ניתוב תקשורת, בקרה סביבתית, והתאמת תכנים למשתמש. חשוב שתהליך האיכון ייעשה בצורה כמה שיותר יעילה כדי לאפשר הקטנה של המכשיר וחיסכון במשאבים. אמנם, לחלק מהמכשירים יכולת איכון עצמאית (GPS), אך רכיבים פשוטים יותר יצטרכו ללמוד את המיקום שלהם מתוך הרשת עצמה.

מטרת הפרויקט:

בפרויקט זה נדרש ללמוד את תחום איכון הרשתות וליישם איכון של רשת תקשורת בצורה אופטימלית על ידי סימולציה ממוחשבת.

תכולת הפרויקט:

על הסטודנטים ללמוד על השיטות השונות לביצוע איכון רשתות, לבחור שיטה אחת, לתכנן ולממש סימולצית מטלב המדמה את פעולת האיכון ברשת.
ביצועי הסימולציה יושוו לחסמים קיימים וחסמים שיפותחו תוך כדי הפרויקט.

קורסי קדם:

נושאים מתקדמים בתקשורת (במקביל לפרויקט)
מומלץ SSP1

מקורות:

Bal, Mert, et al. "Localization in cooperative wireless sensor networks: A review." 2009 13th International Conference on Computer Supported Cooperative Work in Design. IEEE, 2009.

הרקע לפרויקט:

ממסר הוא רכיב תקשורת הקולט אות מגביר ומשדר אותו. ממסרים משמשים להגדלת טווח התקשורת והעלאת קצב המידע. טכנולוגיות חדשות מאפשרות ייצור והפעלה פשוטה של ממסרים רבים באותה רשת. ממסרים כאלו לא דורשים תשתית, ואפילו יכולים לאסוף אנרגיה מסביבתם. הכנסת עשרות ומאות ממסרים לרשת (לדוגמה בבניין אחד) יאפשרו הגדלה משמעותית בקצבי התקשורת. האתגר העיקרי ברשת כזו הוא בחירת פרמטרים נכונה לכל ממסר שתאפשר פעולה אופטימאלית של הרשת.

במחקר חדשני, אנו משתמשים באופי הלא לינארי של מגברים כדי ליצור הקבלה בין רשת תקשורת עם ממסרים לרשת נוירונים. בעזרת הקבלה זו, אנו מאפשרים שימוש בכלים הרבים הזמינים ללמידת מכונה על מנת לבצע אופטימיזציה של הרשת. יתירה מזו, אנו מצליחים גם לאמץ את היכולת של רשתות נוירונים לבצע חישובים, ולבצע חישובים תוך כדי מעבר האות ברשת הממסרים.

מטרת הפרויקט:

בפרויקט זה נממש סימולציה של רשת תקשורת סלוללרית עם משדר (תחנת בסיס) מספר מקלטים והרבה ממסרים. נשתמש בכלים של למידת מכונה על מנת לשפר את התקשורת ברשת וגם להשיג מטרה חשובה נוספת: נדרוש שהרשת תפריד את האות המשודר, כך שכל מקלט יקבל רק את האות הרצוי שלו, ולא יושפע מהאותות המשודרים לשאר המקלטים.

בפרויקט זה נרחיב את חזית הידע ונבחן גם את הבעיה של לימוד הערוץ. הפרויקט יתמקד בביצוע משולב של לימוד ערוץ ואופטימיזציה של המערכת.

הפרויקט בעל אופי מחקרי, ומתאים לסטודנטים מצטיינים המעוניינים להשתלב במחקר.

תכולת הפרויקט:

לימוד של רשתות תקשורת וכלי למידת מכונה, מימוש הרשת בפייתון, מימוש של אלגוריתם למידה שיאפשר לימוד ערוץ ואופטימיזציה של הרשת. ביצוע הלימוד והאופטימיזציה וניתוח התוצאות.

קורסי קדם:

למידת מכונה (אפשר במקביל לפרויקט)

מקורות:

https://arxiv.org/pdf/2306.14253.pdf

הרקע לפרויקט:

לננו- חלקיקי זהב פוטנציאל גדול לשמש בתור תרופות עתידיות. במהלך פיתוח ובחינת תרופות חדשות אנו נדרשים לקבוע ניסיונית כיצד התרופה משפיעה על הגוף (פרמקודינמיקה) וכיצד הגוף משפיע על התרופה (פרמוקינטיקה). הפרופיל הפרמקוקינטי כולל פרמטר חשוב מאוד- פיזור התרופה בגוף (distribution) - תהליך המתאר את מעבר התרופה מהדם אל הרקמות. ניסויים אלו נעשים לרוב בחיות קטנות (מכרסמים).
בפרויקט זה נפתח שיטה לקביעת מספר ננו-חלקיקי הזהב ברקמות השונות על בסיס עיבוד תמונת CT. שיטה זו תבדק כנגד ICP- inductively coupled plasma spectroscopy - שהיא האנליזה הנהוגה היום לכימות מספר הננוחלקיקים ברקמה ומחייבת את מות החיה. אם נצליח, נוכל להפחית משמעותית את מספר החיות הנדרשות לניסויים מבלי לסכן את נכונות התוצאות או להשפיע על קביעת פרופיל הבטיחות של התרופה.

מטרת הפרויקט:

הסטודנטים יפתחו תוכנית המקבלת סריקות CT ומפענחת מהו ריכוז הזהב ברקמה הנבדקת.

תכולת הפרויקט:

1. סינתזה (הכנה) של ננו חלקיקי זהב
2. בדיקה ניסיונית של החלקיקים in vivo באמצעות CT
3. פיתוח האלגוריתם והשוואה לתוצאות ICP

קורסי קדם:

Python/MATLAB

דרישות נוספות:

עיבוד ספרתי של תמונות 83-629

מקורות:

Advantages and Limitations of Current Techniques for Analyzing the Biodistribution of Nanoparticles - https://doi.org/10.3389/fphar.2018.00802

הרקע לפרויקט:

הפרדת מקורות "עיוורת" הינה שם כוללת לאוסף השיטות שמטרתן להפריד אות המכיל "ערבוב" (לרוב, ליניארי) של רכיבים לרכיביו העצמאיים, עם מינימום הנחות ו/או ידע מקדים. ככזאת, גישה זו רלוונטית לתחומים רבים, כגון עיבוד אותות תקשורת (דחיית הפרעות) ואותות שמע (סינון רעשי רקע). פרויקט זה יעסוק בפיתוח שיטה מבוססת למידת מכונה להפרדת אותות תקשורת ולהשבחת ביצועי המקלט בפענוח ההודעה שנשלחה. פיתוח שיטות כמו זו שתפותח בפרויקט מקדם את יכולות העיבוד הדיגיטליות של מערכות תקשורת עתידיות, ולכן מביא לפוטנציאל שיפור נוסף בביצועי מערכות תקשורת במובן הרחב.

מטרת הפרויקט:

תוצר הפרויקט הינו רשת נוירונים מאומנת להפרדת אותות, כאשר אות העניין הינו אות תקשורת שיש לפענחו באופן הטוב ביותר (במובן הסתברות שגיאה לסיבית מינימלית) והאות המפריע יכול להיות אחד מכהמ סוגים. בעיה זו היא בעיה מוכללת ביחס לזו המוצגת באתגר https://rfchallenge.mit.edu.

תכולת הפרויקט:

1. קריאת מאמרים רלוונטיים
2. הבנת מתודולוגית הפתרון (למידה מפוקחת להפרדת אותות, ובפרט אימון רשת נוירונים מלאכותית)
3. מימוש הפתרונות הקיימים
4. הרחבת הפתרון הקיים לצורך הפרדת אות עניין מאות מפריע אשר סוגו אינו ידוע מראש
5. אימון הרשת ובחינתה לעומת ביצועי הפתרונות הקיימים

קורסי קדם:

1. מבוא ללמידת מכונה (83622)
2. תקשורת ספרתית 1 (83310)

מקורות:

1. Lancho, A., Weiss, A., Lee, G.C.F., Tang, J., Bu, Y., Polyanskiy, Y. and Wornell, G. W., “Data-Driven Blind Synchronization and Interference Rejection for Digital Communication Signals”, in Proc. of IEEE Global Communications Conference (GLOBECOM), pp. 2296–2302, Dec. 2022. (https://arxiv.org/pdf/2209.04871.pdf)
2. Lancho, A., Weiss, A., Lee, G.C.F., Jayashankar, T., Kurien, B., Polyanskiy, Y. and Wornell, G. W., "RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge", arXiv:2409.08839, Sep. 2024 (https://arxiv.org/abs/2409.08839)

הרקע לפרויקט:

שיחות מזיקות באמצעות פלטפורמות מבוססות מודלי LLM הוא אחד הסכנות הגדולות הקיימות היום. כחלק מהאתגר, מפתחי Chatboot מנסים לפתח מנגנונים מסוג Responsible AI כדי למנוע תשובות "מזיקות". מאידך, משתמשים מנסים לפתח מנגנוני "הטעיה" שנקראים Jailbreaking כנגד מנגנוני ה-Responsible AI. לאחרונה נאסף בסיס נתונים גדול שפורסם לאחרונה במסגרת כנס ICLR שכולל אינטראקציות "נקיות" ורעילות - המאמר מפורסם בלינק הבא: https://arxiv.org/pdf/2405.01470. קיים צורך לפתח מודל ביניים שיוכל לזהות בצורה מהירה (מודלים יעילים) עם יכולת יציבה (רובסטיות גם מול הטעיות), לזהות Prompts רעילים מסוג זה. מטרת הפרויקט להציע מנגנון קיצוץ רשת מסוג LLM שתוכל להתמודד עם אתגרים אלו.

מטרת הפרויקט:

פיתוח מתודולוגיית קיצוץ רשת LLM עבור בעיית קלאסיפיקציה עם מספר מועט של קלאסים - כולל יישום לבעיית זיהוי Prompts רעילים מסוגים שונים.

תכולת הפרויקט:

1. להבין לעומק ארכיטקטורת רשתות LLM.
2. לפתח מנגנון קיצוץ רכיבים של רשת LLM לשפר ביצועי ריצה ולבחון שיפור רובסטיות.
3. לבצע יישום של המתודולוגיה על רשת LLM תוך יישום לבעיית זיהוי Prompts רעילים.

קורסי קדם:

נדרש להיות רשומים וללמוד את הקורסים עיבוד שפות טבעיות בטכניקות למידת מכונה ולמידה עמוקה עד סוף סמסטר א'.

דרישות נוספות:

ידע נרחב במבנה ועבודה עם רשתות עמוקות (רשתות קונבולוציה) הינו הכרחי. נדרש ממוצע תואר למעלה מ-85 עד סוף שנה שלישית עם ציונים גבוהים בקורסי הסתברות וקורסי למידה מכונה.

מקורות:

https://arxiv.org/pdf/2405.01470

הרקע לפרויקט:

שיטות לניתוחי דאטה המשמרות פרטיות באות במגוון דרכים ואלגוריתמים, ולכל אחת מהן יש טרייד-אוף משלה בין יעילות הניתוח לבין כמות "הפסד הפרטיות".

בפרויקט זה יתנסו הסטודנטים במימוש, בניתוח ובהשואה בין השיטות השונות.

מטרת הפרויקט:

מבחנים סטטיסטיים הוא תחום רחב של ניתוח דאטה באמצעותו סטטיסטיקאים משיגים תובנות עומק על דאטה. ישנן מטרות רבות אותן מבקש הסטטיסטיקאי לנתח (זהות, אי-תלות, רגרסיה וכו') ולכל אחת מגוון מבחנים שונים (פירסון, Z-test, הילברט-שמידט) שמתאימים כל אחד למצב מעט שונה.

בפרויקט זה יתרכזו הסטונדטים בביצוע מבחנים סטטיטיים ע"י אלגוריתמים משמרי פרטיות. בפרט, הפרויקט יתמקד בשיטות בפרטיות דיפרנציאלית -- שפועלות על ידי הרעשה רנדומית של המבחן הסטטיסטי. ומאחר שמבחנים סטטיסטיים הוא תחום רחב - הרי שפרויקט זה הוא למעשה אוסף פרויקטים דומים-אך-שונים, כשכל פרויקט מתמקד בשיטת מבחן אחרת.

חלק לא מבוטל בפרויקט הוא הכרת התחום של פרטיות דפרנציאלית, קריאת מאמרים והבנת השיטות השונות. משהסטודנטים ירכשו את הידע המוקדם, עיקר הפרויקט יתמקד בתכנון אלגוריתמי של ניתוחים סטטיסטיים שונים, במימוש שיטות, ובהשואת האלגורתימים על גבי מגוון דאטה-סטים שונים.

תכולת הפרויקט:

קריאה של מאמרי רקע
בחירת ה setting בו יתמקד הפרויקט
מימוש אלג' למידה פרטית
השואה של האלגוריתמים השונים על גבי דאטה-סטים שונים
ניתוח תאורטי של האלג'

קורסי קדם:

הסתברות וסטטיסטיקה
למידה ממוחשבת
אלג' 2 (ניתוח אלג' רנדומיים)

דרישות נוספות:

למידת מכונה אחראית

מקורות:

1. https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf
2. https://ccanonne.github.io/files/misc/main-survey-fnt.pdf

הרקע לפרויקט:

Differential privacy has been established in recent years as the "de-facto" gold standard of privacy preserving data analysis. In this project the students are expected to read, understand, implement and test a differentially private algorithm for locating a cluster / multiple clusters in a given dataset of points in the Euclidean space.

מטרת הפרויקט:

This project is centered around the problem of private data clustering. The students are expected to implement randomized algorithms that deal with clustering, including: noisy counting, above-threshold, locally-sensitive hashing, and randomly chosen axes.

Furthermore, the students are expected to test and compare the performance of said algorithms over multiple datasets.

Academically, the goal of the project is to have the students acquainted with differential privacy (DP) and the high-level ideas of differential privacy, as well as the technical difficulties that arise from the promise of DP.

Practically, the goal is to publish the project's code online, available for researchers world-wide.

תכולת הפרויקט:

The project's main focus is on understanding and implementing a scientific paper in differential privacy.

The project is based on 3 stages:

1. reading and understanding existing work,
2. implementation of algorithms in code and
3. testing empirical performance over synthetic / real-life data.

The main focus of the project is the 1-cluster algorithm of Nissim and Stemmer, composed of multiple building blocks.

The students are required to implement each of these subroutines and then wrap it all together in an algorithm of bounded privacy lose (i.e. a (\epsilon,\delta)-DP algorithm).

קורסי קדם:

83224- מבני נתונים ואלגוריתמים 2
83216- מבוא להסתברות וסטטיסטיקה

דרישות נוספות:

83698-מבוא ללמידת מכונה אחראית

מקורות:

1. arxiv.org/pdf/1804.08001
2. arxiv.org/pdf/1707.04766
3. www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf