Final projects - התמחות בתקשורת - הנדסת מערכות תקשורת תשפ"ה

הרקע לפרויקט:

קיימות מגוון אפליקציות (חיפוש, תקשורת, אופטימיזציה, קריפטוגראפיה) שדורשות פתרון בעיות NP קשות, ופתרונן באופן יעיל (כמה שניתן) מהווה אתגר. כיום, פתרונן נעשה ע"י אלגוריתמים שונים אשר מנסים לשפר את זמן הריצה ולרוב נתקלים בטריידאוף חסמי זמן-ריצה\זכרון כאשר הפתרון מסתמך על זכרון זמני ומכונת מצבים. בסופו של יום, פתרונות אשר משאירים את זמן הפתרון אקספוננציאלי. במהלך מחקר בנושא התגלה מבנה חומרתי שמאפשר בעזרת חלחול אותות דרכו לפלוט את פתרון הבעיה בצורה ישירה לעיתים ללא זכרון כלל, שכן הפתרון כבר ברמת החומרה והאותות והבעיה מומרת לבעיית שטח (עם מגבלות מסוימות). המאיץ עשוי להביא למהפכה בזמני חישוב של בעיות קשות להן יש שימוש בתחומים רבים נוספים, עבור סטים של פרמטרים פרקטיים ובעלי ישימות.

מטרת הפרויקט:

בפרויקט, לאחר טעימה מהרקע לבעיה, הבנת הישגי הפתרונות בתוכנה, והכרת המעגל לתכנון בחמרה – תידרשו למדל את החישוב בשפת חמרה \ ורילוג, לסנטז ולממש את המעגל על גבי תשתית FPGA. מטרתנו לבחון את ביצועיו ולהשוות לדיווחי ביצועי הפתרונות התוכנתיים שהוצעו בעבר.

במהלך הפרויקט תיחשפו לכלים ותהליך design, תביאו לידי ביטוי ידע בנושא תכנון שבבים ואלגוריתמים, תתנסו בסינטזה על FPGA ומימוש חמרתי ותבצעו אופטימיזציה ובחינה עמוקה בתור אבלואציה.

תכולת הפרויקט:

הפרויקט כולל מספר שלבים:
1. לימוד רקע תיאורטי על בעיות לדוגמא שהמאיץ פותר, ביצועי דרכי הפתרון בתוכנה הנוכחיים לשם השוואה עתידית והכרת תכנון המעגל המוצע.
2. סינטזה על FPGA, כתיבת קוד ורילוג (בהנחייה).
3. ניתוח ביצועי המאיץ והשוואה לפתירה בתכנה.

קורסי קדם:

תכן לוגי, DDP (אך לא חובה כמצוין מטה)

דרישות נוספות:

- יתרון: עקרונות של תכנון מערכות דיגיטליות או בעלי רקע בתכנות VERILOG. (במידה ואין, ניתן ללמוד עצמאית מראש או גם במהלך הסמסטר הראשון (חומר הרצאות מלא יינתן ע"י המנחים וכמובן הכוונה והדרכה) VERILOG בסיסי ילמד בקורס מעגלי ומערכות VLSI דיגיטליים, קורס חובה למסלול ננו בסמסטר א')-

מקורות:

1. Aluf-Medina, Michelle & Korten, Till & Raviv, Avraham & Nicolau, Dan & Kugler, Hillel. (2021). Formal Semantics and Verification of Network-Based Biocomputation Circuits. 10.1007/978-3-030-67067-2_21.
2. Korten, Till & Diez, Stefan & Linke, Heiner & Nicolau, Dan & Kugler, Hillel. (2021). Design of network-based biocomputation circuits for the exact cover problem. New Journal of Physics. 23. 085004. 10.1088/1367-2630/ac175d.
3. Horowitz, Ellis & Sahni, Sartaj. (1974). Sahni, S.: Computing partitions with applications to the knapsack problem. Journal of the ACM 21, 277-292. J. ACM. 21. 277-292. 10.1145/321812.321823.

הרקע לפרויקט:

במערכות התקשורת של מחר, השימוש בתדרים גבוהים, רוחב פס רחב ומערכים גדולים של אנטנות יאפשרו חישה מדויקת וברזולוציה גבוהה, אשר יכולה לסייע בשילוב של חישת הסביבה ותקשורת אלחוטית במערכת אחת להפקת תועלת הדדית. מצד אחד, רשת התקשורת תשמש כחיישן - אותות הרדיו המועברים והמתקבלים על ידי רכיבי הרשת יכולים לשמש לחישה ולהבנה טובה יותר של העולם הפיזי לצרכים שונים, כגון איכון. מצד שני, היכולות החדשות שיתקבלו יאפשרו שיפור של ביצועי התקשורת (למשל, קביעת כיווניות שידור ההודעה באופן מדויק יותר). בפרויקט זה ננסה לפתח שיטה חדשה לקליטה איכותית ומהימנה של אותות החישה והתקשורת המשודרים לצורך השבחת ביצועים.

מטרת הפרויקט:

מטרת הפרוקיט הינה פיתוח פתרון אלגוריתמי, מבוסס רשת עמוקה, עם ביצועים משופרים (ביחס לאלגוריתם מוביל) למקלט במערכת תקשורת משולבת חישה. הסטונדט/ית יממשו שיטה חדשנית קיימת על סמך המאמר [1] שפורסם לאחרונה (ראה "מקורות" מטה), ויאמנו רשת עמוקה להפרדת אותות משופרת, אשר תוביל להשבחת ביצועי המערכת, הן כמערכת תקשורת והן כמערכת חישה.

תכולת הפרויקט:

1. קריאת מאמרים, ובפרט [1] (המאמר המופיע תחת "מקורות")
2. מימוש האלגוריתם המופיע ב-[1] ושחזור מדויק של התוצאות המופיעות בו כביסוס אמת מידה לביצועים
3. אימון רשת עמוקה בגישת למידת מונחית להפרדת אותות התקשורת והחישה
4. השוואת ביצועים בסימולציה ממוחשבת ל-[1] ואמות מידה נוספות אשר יימצאו רלונטיות בזמן הפרויקט

קורסי קדם:

1. עיבוד ספרתי של אותות 1
2. תקשורת ספרתית 1
3. מבוא ללמידת מכונה
(הנ"ל מומלץ, לא חובה)

דרישות נוספות:

1. ידע בסיסי בעיבוד אותות ותקשורת ספרתית
2. תכנות ברמה גבוהה ב-Python, בדגש על אימון רשתות עמוקות

מקורות:

[1] Wang, Jiale, et al. "A Power-Domain Non-Orthogonal Integrated Sensing and Communication Waveform Design Using OFDM." IEEE Wireless Communications Letters (2024). https://ieeexplore.ieee.org/document/10411013

הרקע לפרויקט:

בפרויקט נשתמש בעיקר בטכנולוגיות של זיהוי תמונה ושליטה על מכשיר דרך קראות API. בפרויקט נריץ סריקה של מיקרוסקופ על צ'יפ' תוך כדי שמירת צילומים של הצ'יפ, פונקציונליות זו תאפשר על ידי שליטה על המנועים המניעים את המיקרוסקופ מתוך תוכנית העושה שימוש בקראות לAPI של המיקרוסקופ. תוך כדי הסריקה נפעיל אלגוריתם זיהוי תמונה על התמונות השמורות על מנת לזהות אם נתקלנו בflake של גרפן על גבי בצ'יפ'. במקרה שכן נתעד את הגרפן באמצעות לקיחת שתמונות ושמירת מיקום XY.

מטרת הפרויקט:

מטרת הפרויקט היא להגיע למצב שהמיקרוסקופ מסוגל לסרוק ולתעד את חלקי הגרפן שנמצאים על הצ'יפ באופן אוטונומי עם אפשרויות להתקדמות עתידי לזהות חומרים נוספים שחלקים קשים יותר לזהות .

תכולת הפרויקט:

על הסטודנט לבנות מודל זיהוי תמונה בעל דיוק טוב בזיהוי הגרפן ולשלב זאת לתוך השליטה על המיקרוסקופ ולהגיע למצב וסופי של סנכרון בין המערכות המאפשר סריקה אוטונומי של צ'יפ ללא התערבות אנושי.

קורסי קדם:

מבוא ללמידת מכונה (ניתן במקביל)

הרקע לפרויקט:

המרת אות אנלוגי לאות דיגיטלי היא אחת הפעולות החשובות והנפוצות ביותר ברוב (אם לא כל) המכשירים הטכנולוגיים הקיימים היום. לצורך ייעול פעולה זו, לאחרונה הוצעה ארכיטקטורה חדשה לרכיב המבצע פעולה זו, המבוססת על פעולת (דחיסה) מודולו אנלוגית ושחזור המידע שאבד (עקב פעולת דחיסה זו) ע"י פעולות דיגיטליות בלבד. בפרויקט זה תפותח הרחבה (/שכלול) של אלגוריתם החיזוי על בסיס טכניקות למידת מכונה, ובכך דיוק המרת האות ואמינות אלגוריתם שחזור האות יעלו עוד יותר על רמות הדיוק והאמינות שמספק האלגוריתם הנוכחי.

מטרת הפרויקט:

הסטודנטים יתכננו ויממשו ארכיטקטורת רשת נוירונים שתחליף בפועל את אלגוריתם החיזוי הקיים. הרשת תאומן עבור קבוצה של אותות עניין (ביניהם, אותות תקשורת נפוצים), ותשולב באלגוריתם הכללי לשחזור אות המידע באופן דיגיטלי. תבוצע השוואה בסימולציות בין ביצועי האלגוריתם הקיים לבין ביצועי האלגוריתם המשופר.

תכולת הפרויקט:

1. קריאת המאמרים הרלוונטיים ולימוד החומר התיאורטי הנדרש לפרויקט, הכוללים, בין היתר, דחיסה ע"י מודולו, סינון סיבתי אופטימלי לחיזוי דגימה עתידית בסדרה זמנית, סינון מסתגל, כימוי (קוונטיזציה), אימון רשתות נוירונים
2. מימוש האלגוריתם הקיים
3. בחירת ארכיטקטורה ואימון רשת נוירונים למימוש פעולת הסינון לצורך חיזוי מדויק יותר
4. שילוב הרשת שאומנה באלגוריתם השחזור
5. סימולציה מלאה של המרת האות האנלוגי לאות דיגיטלי עבור קבוצה של סוגי אותות מידע שונים
6. השוואת ביצועים בין האלגוריתמים ע"י סימולציית מחשב

קורסי קדם:

ניתוח סטטיסטי של מידע (83420), מבוא ללמידת מכונה (83622)

דרישות נוספות:

תורת האינפורמציה (83620)

מקורות:

Weiss, A., Huang, E., Ordentlich, O. and Wornell, G. W., “Blind Modulo Analog-to-Digital Conversion”, IEEE Trans. on Signal Processing, vol. 70, pp. 4586–4601, Aug. 2022. Arxiv link: https://arxiv.org/abs/2108.08937

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:

חיישנים אקוסטים וקטורים מאפשרים מדידה של השדה האקוסטי באופן מלא, ובכך מאפשרים יכולות (למשל, בתחום האיכון) שלא אפשריות עם מערכי מיקרופונים. לפיכך, ישנו ערך מדעי, ופרקטי עתידי, לפיתוח אלגוריתמים המתאימים למערכות המצוידות ברכיבים אלה. בפרויקט זה יעשה שילוב בין יכולת חישה מתקדמת זו לבין יכולות מתקדמות מתחום למידת מכונה, לצורך פיתוח אלגוריתם לשערוך זווית.

מטרת הפרויקט:

מטרת הפרויקט הינה פיתוח ותכנון פתרון המבוסס על רשת נוירונים לצורך שערוך כיוון הגעה של אות אקוסטי מדגימות שעברו קוונטיזציה גסה - ביט בודד לדגימה. השימוש ברשתות נועד לנצל את הקשר הלא ליניארי בין האותות הדחוסים לבין כיווני ההגעה של המקורות האקוסטיים בסביבת הפעולה.
התוצרים הסופיים של הפרויקט יהיו קוד פתוח לאימון הרשת בתרחיש העניין, הסבר מפורט על ארכיטרקטורת הרשת, והשוואת תוצאות בסימולציית מחשב (במונחי דיוק השערוך) בין ביצועי שיטות קיימות לשיטה המוצעת.

תכולת הפרויקט:

1. קריאת מאמרים רלוונטיים והבנת מודל האותות והגדרת הבעיה
2. מימוש השיטות הקיימות בקוד (סביבת מטלב או פייתון)
3. פיתוח פתרון מבוסס רשת נוירונים, אימון הרשת, וכתיבת סימולציה לבחינת ביצועי הרשת
4. השוואה בין ביצועי כלל השיטות במספר סימולציות

קורסי קדם:

מבוא ללמידת מכונה (83622), ניתוח סטטיסטי של מידע (83420), אלגוריתמים סטטיסטיים לעיבוד אותות (83321)

מקורות:

Weiss, A., “Blind Direction-of-Arrival Estimation in Acoustic Vector-Sensor Arrays via Tensor Decomposition and Kullback-Leibler Divergence Covariance Fitting”, IEEE Trans. on Signal Processing, vol. 69, pp. 531–545, Dec. 2020. Link to arxiv version: https://arxiv.org/pdf/2005.08318.pdf

הרקע לפרויקט:

Restoration algorithms are oftentimes evaluated by different criteria. For example, we may want a restored image to be both accurate (low distortion) and perceptually pleasing (as if it is a natural image). A seminal paper have shown that there is a tradeoff between these properties. In this project we will study extensions of this phenomenon. Primarily, we will explore tradeoffs between low-level tasks (e.g., restoring an image with low distortion) and high-level tasks (classifying the restored image).

מטרת הפרויקט:

The goal of this project is to identify and explore (empirically and theoretically) tradeoffs between low-level restoration and high-level tasks.

תכולת הפרויקט:

1. Understanding known tradeoffs (e.g., perception-distortion) and techniques to explore them (convex optimization, rate-distortion theory).
2. Examining if they can be sharpened.
3. Identifying tradeoffs between low-level restoration and high-level tasks (e.g., classification).
4. Empirical and theoretical analysis.

קורסי קדם:

קורס מבוא ללמידת מכונה, עדיפות לרישום לקורסים שערוך פרמטרים ולמידה עמוקה

מקורות:

https://arxiv.org/abs/1711.06077

הרקע לפרויקט:

Knowledge distillation refers to training a small model ("student") based on the knowledge gained by a computationally expensive model ("teacher"). In classification, this means that the student will learn to predict the logits vector of the teacher rather than the (less informative) label. In many applications, a classifier needs to quantify the uncertainty in its prediction. In this project, we will explore how uncertainty quantification methods can benefit/improve the knowledge distillation setting.

מטרת הפרויקט:

The goal of the project is to explore uncertainty quantification methods (e.g., confidence calibration and conformal prediction) in the knowledge distillation setting. Specifically, we aim to:

1. Devising algorithms for improving the student's performance using the uncertainty quantification of the teacher;
2. Devising algorithms for improving the uncertainty quantification of the student using the extended knowledge of the teacher.

תכולת הפרויקט:

1. Understanding knowledge distillation in classification, confidence calibration, and conformal prediction.
2. Devising algorithms for improving the student's performance using the uncertainty quantification of the teacher.
3. Devising algorithms for improving the uncertainty quantification of the student using the extended knowledge of the teacher.

קורסי קדם:

מבוא ללמידת מכונה, רישום לקורס למידה עמוקה

מקורות:

* https://arxiv.org/abs/1503.02531
* https://arxiv.org/abs/2107.07511

הרקע לפרויקט:

פסקה המתארת את הטכנולוגיה הרלוונטית לפרויקט ואת משמעות הפרויקט בהקשר זה-

טכנולוגיה רלוונטית היא זיהוי "קריאת תווים" אונליין באמצעות עיבוד תמונה\ deep learning, התמרה שלהם לספקטוגרמה רלוונטית או ייצוג אחר,
התמרה של האודיו הנכנס דרך המיקרופון והתאמה בין מה שמנוגן לתווים שמיוצגים בדף

מטרת הפרויקט:

מטרת הפרויקט היא לפתח אפליקציה בה כאשר פותחים קובץ pdf של תווי מוזיקה, ובמקביל יש מיקרופון הקולט נגם המנגן תווים אלו. האפליקציה תדע לעקוב אחר המנגינה המושמעת, לזהות מתי הנגן הגיע לסוף העמוד ולגלול עבורו את הקובץ לעמוד הבא.
השלב הבא יהיה לשים לב למקרי קצה, כמו למשל שהנגן לא מנגן במדוייק את התווים, הקצב משתנה ולא קבוע, יש סימן של חזרה בסוף התיבה האחרונה ואז עוד לא צריך לעבור עמוד וכו'.

תכולת הפרויקט:

מציאת ייצוג לתווים בקובץ (ע"י ספקטוגרמה או קידוד אחר) ובמקביל ייצוג דומה\זהה לאודיו שמנוגן.
מעקב אונליין ונתינת "ציון התאמה" בין מה שנשמע לבין התווים שמיוצגים.
קבלת החלטה אם הגענו לסוף העמוד ואם כן ביצוע הפעולה של גלילה לעמוד הבא.

קורסי קדם:

• חשוב לסטודנטים על מנת להבין את ההקשר של הפרויקט (מה הקורסים הכי רלוונטיים), וחשוב לפקולטה על מנת להראות שכל הפרויקטים מסתמכים על הבסיס האקדמי שנלמד במשך התואר. רצוי לציין קורסים ממסלול הפרויקט. ניתן לדרוש קורסים שילקחו במקביל לפרויקט.
• DSP1
• DSP2
• למידה עמוקה
• SSP1

מקורות:

Moysis, Lazaros, et al. "Music deep learning: deep learning methods for music signal processing—a review of the state-of-the-art." Ieee Access 11 (2023): 17031-17052. (https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10043650&tag=1 )

הרקע לפרויקט:

רשתות תקשורת דור 6 מתוכננות לערים חכמות בהן דרוש שערוך מיקום ועקיבה אחר מספר רב של מערכות - כולל משתמשי קצה, רכבים אוטונומיים והולכי רגל. נוסף על כן, ברשתות אלה קיימות מדידות ממגוון חיישנים, כגון GNSS, Wi-Fi, גירוסקופים MEMS, ו- Bluetooth. סדרות זמן עם מצבים מתחלפים הינן כלי מצויין לבעיות מסוג זה. מטרת פרוייקט זה היא מימוש אלגוריתמי שערוך ועקיבה למודלים אלה.

מטרת הפרויקט:

מימוש אלגוריתם עקיבה לסדרה מרובת מצבים, בדיקת קצב ההתכנסות ואפשרות ישום במערכות תקשורת משולבות חישה בסביבה עירונית.

תכולת הפרויקט:

הבנה תאורטית של מודל סדרות זמן עם מצבים משתנים ואפשרות ישומן לבעיות איכון ועקיבה. היכרות עם הספרות. כתיבה וביצוע סימולציה. כתיבת דוחות

קורסי קדם:

עיבוד ספרתי של אותות 1, אותות אקראיים ורעש, תקשורת ספרתית (אפשר במקביל) אלגוריתמים סטטיסטיים לעיבוד אותות (פרופ שרון גנות - אפשר במקביל), ניתוח סטטיסטי של מידע (פרופ אמיר לשם - במקביל לפרויקט)

מקורות:

https://isac.committees.comsoc.org/