פרויקטי גמר - הנדסת מחשבים - תואר ראשון - עיבוד וניתוח נתונים תשפ"ד

801 Differentially Private Clustering Algorithms
אחריות אקדמית:

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:

  • 83908- פרטיות דפרנציאלית (המומלץ)

מקורות:

  1. arxiv.org/pdf/1804.08001
  2. arxiv.org/pdf/1707.04766
  3. www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf
802 Differentially Private Statistical-Hypothesis Tessting
אחריות אקדמית:

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:

  • פרטיות דפרנציאלית (מומלץ)


מקורות:

  1. https://www.cis.upenn.edu/~aaroth/Papers/privacybook.pdf
  2. https://ccanonne.github.io/files/misc/main-survey-fnt.pdf (Ch. 4)
803 Adaptation mechanism for resource constraint classification problem
אחריות אקדמית:

הרקע לפרויקט:

הפרויקט הינו חלק ממחקר שעוסק בשילוב בין בעיות של אילוצי משאבים אשר מקובל לפתור בכלים של חקר ביצועים, לבין בעיות סיווג אשר מקובל לפתור בשיטות של למידת מכונה. הדרך המקובלת לשלב בין שתי הבעיות הללו היא במודל דו-שלבי, שימוש בלמידת מכונה עבור בעיית הסיווג ועם התוצאות שהתקבלו לפתור את בעיית אילוצי המשאבים. במחקר אנו משלבים את בעיית אילוצי המשאבים בתהליך הלמידה של המודל שפותר את בעיית הסיווג בכדי לשפר את הביצועים. הפרויקט ישפר את שיטת היישום כך שיתאים לנתוני מבחן (test data-set) וכן יצמצם את מספר האיטרציות.

האלגוריתמים ייושמו וייבדקו על נתוני שרותי הכבאות – הבעיה ביישום זה היא הקצאה מיטבית של כוחות הצלה למספר ארועים שמתרחשים בו זמנית.

מטרת הפרויקט:

בפרויקט הסטודנטים יבצעו התאמה לנתוני מבחן (test data-set) של מודל אדפטיבי לשילוב למידת מכונה ובעיית אילוצים ביישום בפייתון על ידי שילוב האילוצים שקיימים על הTEST כחלק מתהליך הלמידה לעומת במצב הקיים בו נעשה שימוש רק ב TRAIN. בנוסף, הסטודנטים יפתחו שיטה לעדכון ערך סף כך שמספר האיטרציות עד להתכנסות המודל תצומצם וזמני הריצה יתקצרו.

האלגוריתמים ייושמו וייבדקו על נתוני שרותי הכבאות במטרה להגיע להקצאה מיטבית של כוחות הצלה למספר ארועים שמתרחשים בו זמנית.

תכולת הפרויקט:

פירוט של מטלות הסטודנטים בפרויקט

  1. פיתוח מתמטי תיאורטי לעדכון ערך הסף בין איטרציות.
  2. יישום בפייתון של התאמת המודל לשימוש בנתוני TEST בתהליך הלמידה והשוואה בין ביצועי האלגוריתמים כאשר האילוץ על ה TEST נלקח בחשבון לעומת המצב שבו האילוץ מוקרן על הTRAIN בהיבט של זמני ריצה וביצועים.
  3. יישום על נתוני שרות הכבאות.


קורסי קדם:

מבוא להסתברות וסטטיסטיקה, כריית מידע וויזואליזציה

דרישות נוספות:

נדרש ידע בפייתון

מקורות:

  1. An adaptive machine learning algorithm for the resource-constrained classification problem https://www.sciencedirect.com/science/article/pii/S095219762200731X
  2. The foundations of cost-sensitive learning https://cseweb.ucsd.edu//~elkan/rescale.pdf
804 Analysis of Biological Signatures Using Machine Learning
אחריות אקדמית:

הרקע לפרויקט:

טכנולוגיות לבישות, המשולבות בגוף ובמערכות ביולוגיות כבר כאן, לרוב הן מתקשרות עם נקודת קצה קרובה (למשל סלולרי או אנטנה) וצריכת אנרגיה נמוכה, הינה קריטית עבור מערכות אלו. כמו כן, אבטחה היא גורם משמעותי היות ואינפורמציה רגישה נעה במערכות אלו (חשבו על מוניטור לחץ דם או משאבת אינסולין אקטיבית). לכן עלות האבטחה מבחינת מימוש ואנרגיה היא קריטית. בפרויקט הסטודנטים יקבלו מידע \ מדידות ממכשור מדידה המגיע ממדידות על גוף נסיינים בשיתוף עם תעשייה. המידע יגיע ממגוון סנסורים, time-series ממודד לחץ דם \ מודד זיעה\ מדידות אופטיות ואפילו אקוסטיות.

הסטודנטים יפעילו כלי אנליזה מעולם הסיווג ולימוד המכונה ומטרתם תהיה אפיון ומציאת פיטשרים ייחודיים וחזרתיים מכל ערוץ ובניית ensemble ליצירת חתימה ביולוגית למשתמש. על גבי מנגנון זה ניתן ליישם אבטחה זולה הרבה יותר למערכות אלו.

מטרת הפרויקט:

הסטודנטים יקראו וילמדו שיטות ניתוח של ספרות קודמת. ילמדו את צורת המידע והדאטה שמגיע מהמדידות. ינתחו מאפיינים שלו ויבנו ויאמנו מספר מכונות קלסיפיקציה. ינתחו יכולת לשלב מדדים שונים מדאטה בייסים שונים, ייבנו מודלים "משכללים" ומאחדים. ולבסוף יבצעו בחינת אומדנים לייחודיות וחזרתיות של ה"חתימות הביולוגיות" ויכולות הקלסיפיקציה.

תכולת הפרויקט:

קריאת ספרות קודמת, הבנת הדאטה המגיע מהסנסורים וגודל המדגם וכו', בחינת בחירת מודלי קלסיפיקציה שונים ומציאת מאפיינים ייחודיים וחזרתיים, ניתוח תוצאות וכו'

קורסי קדם:

ידע קודם בסיסי בלמידת מכונה \ קלסיפיקציה \ רגרסיה (ישנם הרבה קורסים בפקולטה - להתייעץ עם המנחה).

דרישות נוספות:

  • ייתרון לסטודנטים בעלי שליטה בבניית מודלים בפייטון (או מטלב), למשל עצים, Random-Forest, ensembles, ANN \ CNN RNN\ DNN ונסיון טכני עם הכלים.
  • יכולות תכנותיות ואנליטיות גבוהות.
  • נכונות להיקף עבודה משמעותי.

מקורות:

  1. Jain, Anil K., Arun Ross, and Salil Prabhakar. "An introduction to biometric recognition." IEEE Transactions on circuits and systems for video technology 14.1 (2004): 4-20.
  2. McGoldrick, Leif K., and Jan Halámek. "Recent advances in noninvasive biosensors for forensics, biometrics, and cybersecurity." Sensors 20.21 (2020): 5974.
  3. Hair, Mindy E., et al. "Metabolite biometrics for the differentiation of individuals." Analytical chemistry 90.8 (2018): 5322-5328.
805 DiffusionNet: Discretization Agnostic Deep Learning on Surfaces
אחריות אקדמית:

הרקע לפרויקט:

The project is about implementing new general-purpose approach to deep learning on 3D surfaces, based on the insight that a simple diffusion layer is highly effective for spatial communication. The resulting networks are automatically robust to changes in resolution and sampling of a surface—a basic property which is crucial for practical applications. Our networks can be discretized on various geometric representations such as triangle meshes or point clouds, and can even be trained on one representation then applied to another. We optimize the spatial support of diffusion as a continuous network parameter ranging from purely local to totally global, removing the burden of manually choosing neighborhood sizes. The only other ingredients in the method are a multilayer perceptron applied independently at each point, and spatial gradient features to support directional filters. The resulting networks are simple, robust, and efficient. Here, we focus primarily on triangle mesh surfaces, and demonstrate state-of-the-art results for a variety of tasks including surface classification, segmentation, and non-rigid correspondence.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה בהיבט של למידת מכונה עמוקה. התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.

פרוייקטים נוספים מותאמים לסטודנט אפשריים במקרים מסויימים בתאום עם פרופ' וובר

קורסי קדם:

83656 עיבוד דיגיטלי של גיאומטריה 1

דרישות נוספות:

  • ידע בסיסי ברשתות נוירונים.
  • יכולת תכנות טובה.
  • יכולת עבודה עצמאית והגדלת ראש.


מקורות:

https://nmwsharp.com/research/diffusion-net/

806 Discrete Conformal Equivalence of Polyhedral Surfaces
אחריות אקדמית:

הרקע לפרויקט:

Polyhedral surfaces are elementary in computer graphics. They are used to represents real-life objects in virtual environments. Mapping such a polyhedral surface to a different domain, for example, to the plane is a fundamental problem in computer graphics and geometry processing. In this project we will learn about special types of maps which preserves angles (conformal maps). We will investigate a discrete notion of angle preservation and will implement an advanced algorithm for computing such maps.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.

פרוייקטים נוספים מותאמים לסטודנט אפשריים במקרים מסויימים בתאום עם פרופ' וובר

קורסי קדם:

83656 עיבוד דיגיטלי של גיאומטריה 1

דרישות נוספות:

• יכולת תכנות טובה.
• יכולת עבודה עצמאית והגדלת ראש.

מקורות:

https://www.cs.cmu.edu/~kmcrane/Projects/CEPS/index.html

807 Evaluating fairness in large language models, and comparing the difference between languages
אחריות אקדמית:

הרקע לפרויקט:

הפריצה של מודלים גנרטיביים כמו chat-GPT וMidjourney מביאה הרבה אפשרויות חדשות, אבל גם בעיות בשימוש במודלים האלו. אנו נחקור את המודלים האלו מכיוון של הוגנות - עד כמה המודלים האלו ממדלים ומגבירים הטיות שונות בדאטא לגבי גזע, מין, גיל וכ'ו. אנחנו נבדוק גם השפעה של סוג השפה (אנגלית מול עברית) במודלי שפה גדולים.

מטרת הפרויקט:

ניתוח אמפירי של ההטיות במודלים האלו לפי פילוחים שונים. אם יהיה זמן אפשר גם לעבוד על דרכים לצמצם את הפערים הללו.

תכולת הפרויקט:

לבנות מערכת אוטומטית שתריץ ניסויים על המודלים האלו, לנתח את התוצאות המתקבלות

קורסי קדם:

83622 מבוא ללמידת מכונה (יכול להלקח במקביל)

מקורות:

Is ChatGPT Fair for Recommendation? Evaluating Fairness in Large Language Model Recommendation https://arxiv.org/pdf/2305.07609.pdf

808 Maximum Likelihood Coordinates for Image Deformation
אחריות אקדמית:

הרקע לפרויקט:

Any point inside a 2D polygon can be expressed as a convex combination of the polygon’s vertices, and the coefficients of this convex combination are called the barycentric coordinates of the point.

Barycentric coordinates are broadly used in computer graphics applications to interpolate data given at the vertices of the polygon to its interior. A particular application of interest is image warping. In this application, a given image is deformed interactively to create a new image.

The design of barycentric coordinates with desired properties is a challenging task. It is hard to design a set of coordinate functions that are positive, smooth, and interpolate the boundary linearly. Maximum Likelihood Coordinates are such coordinates.

מטרת הפרויקט:

היכרות עם תחום הגרפיקה והגאומטריה, התעמקות בנושא מתקדם בתחום והתנסות במימוש אלגוריתם ובניית תוכנה מורכבת כהכנה לעבודה בתעשיית ההייטק ו/או לתואר מתקדם.

תכולת הפרויקט:

הפרויקט ידרוש פיתוח ומימוש של אלגוריתם מורכב בתוכנה.
פרויקטים נוספים מותאמים לסטודנט אפשריים במקרים מסוימים בתאום עם פרופ' וובר.

קורסי קדם:

  • 83656 עיבוד דיגיטלי של גיאומטריה 1 או ידע קודם בסיסי בגרפיקה ממוחשבת.


דרישות נוספות:

  • יכולת תכנות טובה.
  • יכולת עבודה עצמאית והגדלת ראש.


מקורות:

https://diglib.eg.org/handle/10.1111/cgf14908

פרויקטים נוספים מומלצים

102 Developing machine learning models while using nanotechnology and optics for cancer treatment
פיתוח מודלים של למידת מכונה תוך שימוש בננוטכנולוגיה ואופטיקה לטיפול בסרטן
מנחה:
אחריות אקדמית:

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/

111 Deep learning technologies for studying tumor samples
שימוש בלמידה עמוקה כדי לנתח דוגמאות סרטניות
אחריות אקדמית:

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
115 Modeling a drug delivery system based on acoustic waves
מידול של מערכת שחרור תרופות המופעלת באמצעות גלים אקוסטים
מנחה:
אחריות אקדמית:

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.
116 Classification of neurons based on their electrical signals
קלסיפיקציה של נוירונים על סמך האות החשמלי שלהם
מנחה:
אחריות אקדמית:

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
117 Analysis of the dynamics of nerve cell regeneration after injury
ניתוח דינאמיקה של השתקמות תאי עצב אחרי פגיעה
מנחה:
אחריות אקדמית:

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.
206 Improving data integrity in embedded memories by applying algorithmic/statistical methods
שיפור שימור מידע בזכרונות מוטמעים בשילוב שיטות אלגוריתמיות/סטטיסטיות
מנחה:
אחריות אקדמית:

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
401 Momentums in Deep Learning Optimization
מומנטומים באופטימיזציה של למידה עמוקה
מנחה:
אחריות אקדמית:

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

402 Uncertainty quantification of machine learning models
כימות אי-ודאות של מודלי למידת מכונה
מנחה:
אחריות אקדמית:

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

403 Target speaker extraction using AI method
חילוץ דוברים באמצעות שיטות למידה עמוקה
מנחה:
אחריות אקדמית:

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

404 Blind source separation using unfolding algorithm
הפרדת דוברים בשילוב מודל סטטיסטי ושיטות AI
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

לצורך הבנה תכולה של שיחה במקרים רבים נרצה להפריד דוברים המדברים בו זמנית. לצורך כך קיימים אלגורימים סטטיסטיים וכן אלגורימים בשיטת AI. בפרויקט זה נרצה לשלב בין השיטות השונות

מטרת הפרויקט:

בפרויקט זה הסטודנטים יחשפו לסוגי שונים של אלגוריתמים בלמידת מכונה ובלמידה עמוקה. על הסטודנטים יהיה לבצע הפרדה תוך שיפור שיטה קיימת בסביבה אקסטית ורועשת.

תכולת הפרויקט:

פיתוח אלגוריתם יציב ומוכלל לצורך הפרדה עיוות של דוברים

קורסי קדם:

אלגוריתמים סטטיסטיים לעיבוד אותות
עיבוד ספרתי של אותות 2

דרישות נוספות:

למידה עמוקה
מבוא ללמידת מכונה

מקורות:

  1. https://ieeexplore.ieee.org/abstract/document/8007259?casa_token=d2YIHc…
  2. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7471649
406 DSP Toolbox -Python freeware GUI
פיתוח סביבת עבודה גרפית בפיתון לאלגוריתמים של DSP
מנחה:
אחריות אקדמית:

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)
409 Complex Valued Neural Network for DOA (Direction of Arrival) Estimation
שימוש ברשת נוירונים מרוכבת לצורך זיהוי כיוון דובר
מנחה:
אחריות אקדמית:

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”
410 Monaural Audio Speaker Separation with Source Contrastive Estimation
הפרדת דוברים חד ערוצי עם למידה ניגודית
מנחה:
אחריות אקדמית:

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

411 Blind Room Parameter Estimation Using Multiple Multichannel Speech Recordings
שיערוך פרמטרי החדר באמצעות הקלטות ממערך מיקרופונים
מנחה:
אחריות אקדמית:

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

412 The Cone of Silence: Speech Separation by Localization
הפרדת דוברים מבוסס זווית
מנחה:
אחריות אקדמית:

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

413 Noise-aware Speech Separation with Contrastive Learning
הפרדת דוברים בשילוב למידה ניגודית
מנחה:
אחריות אקדמית:

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

602 Using Formal Verification tools for Reinforcement Learning
שימוש בכלי אימות פורמלי עבור למידה מבוססת חיזוקים
מנחה:
אחריות אקדמית:

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

603 Formal verification for Deep Reinforcement Learning
שימוש בכלי אימות פורמלי עבור למידה מבוססת חיזוקים המשלבת למידה עמוקה
מנחה:
אחריות אקדמית:

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

607 Synthesis Algorithms for Gene Networks
אלגוריתמים לסינתזה של רשתות גנטיות
מנחה:
אחריות אקדמית:

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.
705 State of the Art Side-Channel Attacks Utilizing Spectral Modulation
מתקפות ערוצי צד מתקדמות עם מודולציה ספקטרליות
מנחה:
אחריות אקדמית:

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.