פרויקטי גמר - הנדסת תעשייה ומערכות מידע - הנדסת תעשייה ומערכות מידע תשפ"ה

הרקע לפרויקט:

בשנים האחרונות נעשה שימוש בריצוף RNA חד-תאי (scRNA-seq) בתפוקה גבוהה למדידת ביטוי גנים באלפי תאים. מידע זה משמש לזיהוי תת-אוכלוסיות של תאים ולאפיון מנגנונים מולקולריים בכליה ובגידולים סרטניים בכליה. עם זאת, ניתן למצוא שכבה נוספת של הטרוגניות תאית מעבר לביטוי גנים, באיזופורמים חלופיים של תעתיקי mRNA, ואלה לא אופיינו במלואם. מנגנון אחד כזה הוא פוליאדנילציה אלטרנטיבית (APA), לפיו גן מכיל אתרי ביקוע ופוליאדנילציה מרובים, ובכך מאפשר לייצר תעתיקי mRNA מרובים באורכים שונים מאותו גן. מנגנון ה-APA תורם להגדלת מגוון התעתיקים על ידי השפעה על יציבות ה-mRNA, התרגום והלוקליזציה בתא.
בפרויקט זה, הסטודנטים ישתמשו במערך נתונים חד-תאיים של RNA-seq של תאים סרטניים ותאים רגילים ממערכי נתונים שפורסמו וכן נתונים ממערכת ה-microfluidic drop-seq מהמעבדה שלנו על מנת לחקור APA בגידוליים סרטניים בכליות.
באופן יותר ספציפי, אנחנו נשאף למצוא הבדלים בין תאים נורמליים וסרטנים (גידולי Renal Cell Carcinoma וגידולי ווילמס).

מטרת הפרויקט:

אנו מצפים שהתפוקה העיקרית מפרויקט זה תהיה מציאת רשימת גנים שיאפשרו גילוי סמנים לאיתור מוקדם, זיהוי, וניטור של מחלות וגידולי כליה, וכמן כן זיהוי מנגנונים מולקולריים ספציפיים שניתנים לתיקון על ידי טיפול מתאים.

תכולת הפרויקט:

• עיבוד וניתוח מקדים של נתונים - עיבוד דאטה גולמי והכנה מותאמת של מטריצות ביטוי גנים כקלט לאלגוריתם.
• הכרה עמוקה של האלגוריתם לשלביו השונים, כתיבת קוד בR שכולל שימוש בחבילות שונות.
• ניתוח הנתונים וזיהוי דפוסים וגנים חשובים.
• בחינת הקשר בין הדפוסים והגנים שהתקבלו בקרב תאים בריאים לבין תאי הסרטן.
• סיכום התוצאות לכדי ספר פרויקט ומאמר.

קורסי קדם:

• ביו-אינפורמטיקה
• רקע בשפת התכנות R
• מבוא להסתברות וסטטיסטיקה
• מבוא לביולוגיה למהנדסים

דרישות נוספות:

• מדעי נתונים ביולוגים
• נוירו-גנומיקה
• מבוא ללמידת מכונה
• גנטיקה וביולוגיה מולקולרית
• הכרות עם מערכות UNIX
• רקע ביולוגי על סרטן או כליה

מקורות:

1. Patrick, R., Humphreys, D. T., Janbandhu, V., Oshlack, A., Ho, J. W., Harvey, R. P., & Lo, K. K. (2020). Sierra: discovery of differential transcript usage from polyA-captured single-cell RNA-seq data. Genome Biology, 21(1), 167.
2. Hao, Y., Hao, S., Andersen-Nissen, E., Mauck III, W. M., Zheng, S., Butler, A., ... & Satija, R. (2021). Integrated analysis of multimodal single-cell data. Cell, 184(13), 3573-3587.
3. https://www.eng.biu.ac.il/kaliskt/

הרקע לפרויקט:

This project focuses on assessing the efficiency of antibody binding and the orientation of antibody conjugation in gold nanoparticles. By combining computational protein folding analysis with experimental laboratory work, the project aims to evaluate the performance of these nanoparticles under various conditions and their biological effectiveness. The study will leverage advanced statistical methods to compare antibody binding in active and inactive regions and test the functionality of conjugated nanoparticles on cells. This integrative approach will provide valuable insights into optimizing gold nanoparticle-based technologies.

מטרת הפרויקט:

This project aims to enhance the understanding of how antibody conjugation orientation affects binding efficiency. By optimizing the conjugation process and evaluating the functionality of gold nanoparticles, the project aims to improve the effectiveness of these nanoparticles in targeted therapies.

תכולת הפרויקט:

1.  Protein Folding and Binding Analysis:

• Use computational tools (e.g., AlphaFold) to analyze protein folding and assess antibody binding in active versus inactive regions.
• Perform statistical calculations to compare binding efficiencies.

2. Gold Nanoparticle Conjugation:

• Implement techniques for conjugating antibodies to gold nanoparticles.
• Assess and optimize the orientation of antibody conjugation on the nanoparticles.

3. Experimental Testing:

• Design and conduct laboratory experiments to test the functionality of antibody-conjugated gold nanoparticles under various conditions (e.g., temperature, pH).
• Measure the biological efficacy and functionality of the nanoparticles in a cellular environment.

קורסי קדם:

מבוא לביולוגיה למהנדסים

מקורות:

AlphaFold - https://alphafold.ebi.ac.uk
gold nano particles - https://scholar.google.co.il/scholar?hl=iw&as_sdt=0%2C5&q=rachela+popov…

הרקע לפרויקט:

ניטור של פעילות מוחית בזמן ניתוחים הינו פרוצדורה המתבצעת בניתוחים רבים על מנת למנוע פגיעה באיזורים הקשורים לתפקודים קריטיים כגון דיבור, הבנת שפה, תנועה, ותהליכי חשיבה שונים. במקרים רבים, פולסים קצרים של גרייה חשמלית מופעלים באופן מקומי על המוח בזמן הניתוח על מנת לזהות איזורים קריטיים אלו. במידה והגרייה הובילה לפגיעה (הפיכה) בתפקוד כלשהו, איזור הגרייה מזוהה כקריטי לתפקוד והדבר משתמש לקבלת החלטות קליניות באופן מיידי. כלי משלים לכך הוא הקלטה של פעילות מוחית חשמליות באמצעות אלקטרודות ייעודיות המונחות על קליפת המוח בטכנולוגיה הנקראת אלקטרוקורטיקוגרפיה (ECOG).

אחת המגבלות באנליזה של נתונים אלו היא חסר בכלים אשר יאפשרו להסתכל על הנתונים גם ברמת האדם האינדיבידואל, וגם על תופעות המשותפות לנבדקים רבים. ויזואליזציה הינה כלי הכרחי להבנת תופעות רחבות יותר וביניהן שינויים משמעותי בפעילות המוחית וקשרים בין מדדים ונתונים שונים. העבודה בפרויקט זה תכלול פיתוח של כלי ויזואליזציה למיקומים של גרייה חשמלית ושל אלקטרודות על-פני המוח. הכלי שיפותח יכלול הצגה ומיון של הנתונים לפי פרמטרים שונים, כמו: תגובות לגרייה החשמלית, מיקום האלקטרודות, סיווג האלקטרודות לרשתות מוחיות, ועוד. באמצעות כלי ויזואליזציה זה, ניתן יהיה לאפיין ולהבין ארגון ומיפוי מוחי.

מטרת הפרויקט:

פיתוח תוכנה ויזואלית (GIU) לעיבוד והצגת נתוני ECOG וגרייה חשמלית. התוכנה תכלול יכולת לבחור בפרמטרים לוויזואליזציה על-פי בחירת המשתמש, כגון בחירת אלקטרודות מקטגוריות מסוימות, בחירת נבדקים, ותופעות של תגובות לגירויים שונים.

תכולת הפרויקט:

הסטודנטים ייפתחו כלי לויזואליזציה המותאם באופן פרטני למחקר, ישתמשו בשיטות לניתוח אותות מוחיים בטכנולוגיות השונות, יתמקדו בממשק משתמש וישתמשו במודלים סטטיסטיים. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:
תכנות
לא חייב:
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

דרישות נוספות:
דרושה יכולת תכנות בפייתון או ב-MATLAB.
ניתוח אותות

מקורות:

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

הרקע לפרויקט:

לגידולים מוחיים יש השפעה נרחבת על ארגון איזורים ורשתות התומכות בתפקודים שונים. מעבר להשפעה על הריקמה המקומית, מחקרים חדשניים הראו כי הגידול גורם לשינויים בארגון המוח גם באיזורים המרוחקים מאיזור הגידול. להבנה של שינויים אלו יש חשיבות רבה על מנות לחזות את ההשפעה של הסרת הגידול על התפקוד של המטופלים בטווח הארוך והקצר, וכמו כן על מנת לפתח כלים שיאפשרו שיקום של הרשתות המוחיות לאחר ניתוח להסרת הגידול. אחד החסמים הטכנולוגיים כדי לזהות ולאפיין תבניות אלו של פעילות הוא שילוב של שיטות שמאפשרות למדוד גם פעילות מקומית וגם פעילות נרחבת בכל המוח, ופיתוח של כלים חישוביים מתאימים.
בפרויקט זה נשתמש בשילוב של שתי טכנולוגיות למדידה של פעילות מוחית: הקלטה של אותות חשמליים באופן מקומי באיזור הגידול בזמן ניתוח באמצעות אלקטרודות מיוחדות המונחות ישירות על המוח החשוף, ודימות תפקודי בתהודה מגנטית (functional magnetic resonance imaging) אשר מאפשר למדוד פעילות בכל חלקי המוח. הפרויקט יכלול ניתוח של בסיס נתונים ייחודי הכולל נתונים שנאספו בשתי טכנולוגיות אלו מחולים עם גידולים מוחיים. נשתמש בכלים חישוביים ובמודלים סטטיסטיים כדי לאפיין את הקשר בין פעילות שנמדדת בשתי הטכנולוגיות, לבחון את הארגון של איזורים ורשתות מוחיות, ולזהות כיצד ארגון זה משתנה לאורך מספר חודשים לאחר ניתוח להסרת הגידול. בין השאר הפרויקט יכלול שימוש בשיטות של למידת מכונה על מנת לנבא תוצאות במבדקים קוגניטיביים של המטופלים, וסיווג של רקמות בריאות לעומת רקמות חולות על סמך פעילות מוחית. כלומר, יכולת להבחין בין רקמה חולה לעומת רקמה בריאה על ידי קישוריות מוחית וקישוריות לרשתות מוחיות.
דימות מוחי מדויק (precision neuroimaging) הינו גישה מתפתחת המתמקדת בהבנת פעילות המוח ואזורים תפקודיים ברמת האדם האינדיבידואל. גישה זו כוללת שימוש במידע רווי נתונים משיטות דימות שונות ויש לכך השלכות חשובות בפיתוח שיטות רפואה מותאמות אישית.
פרויקט זה יעסוק בשילוב נתונים משיטות הדימות השונות תוך מטרה מכוונת לשימוש קליני.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של ניתוח נתונים ועיבוד מידע לצורך אפיון מדדים שונים של פעילות מוחית על מנת לזהות אזורים תפקודיים במוח ברמת המטופל האינדיבידואל. כלים אלו ישמשו בסיס להבנת העקרונות של ארגון אזורים ורשתות במוח וכיצד הם מושפעים מהגידול ומהסרתו.

תכולת הפרויקט:

הסטודנטים יפתחו כלים לניתוח אותות מוחיים משיטות מדידה שונות וישתמשו במודלים סטטיסטיים וויזואליזציה של התוצאות. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:

לא חובה:
עיבוד אותות
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

דרישות נוספות:

דרושה יכולת תכנות בפייתון או ב-MATLAB.

מקורות:

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

הרקע לפרויקט:

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 נבין את הדאטא, נבנה קוד שיזהה פוטינציאלי פעולה ופרמטרים נוספים בפעילות העצבית. לאחר מכן, נמדל את הפעילות החשמלית ברשת הנוירונלית- נגדיר את הצמתים, הקשרים והמשקולות. נחפש קורלציות וננסה לאפיין רשתות חשמליות עם חלקיקים אל מול כאלה בלי.

תכולת הפרויקט:

הסטודנטים יילמדו על פעילות עצבית חוץ תאית, ייכתבו קוד בפייתון לזיהוי פוטנציאלי פעולה ומאפייני פעילות נוספים, ימדלו את הרשת בכלים שייכים לעולם הgraph theory ויחפשו קשרים בתוך הרשת.

קורסי קדם:

פיזיולוגיה כמותית, סטטיסטיקה

דרישות נוספות:

מטלב או פייתון

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. Gerhard, F., Pipa, G., Lima, B., Neuenschwander, S., & Gerstner, W. (2011). Extraction of network topology from multi-electrode recordings: is there a small-world effect?. Frontiers in computational neuroscience, 5, 4.‏

הרקע לפרויקט:

Gene regulatory networks (GRNs) play a crucial role in cancer by orchestrating the complex interactions between genes that drive tumor development and progression. In cancer, these networks often become dysregulated, leading to aberrant gene expression that promotes uncontrolled cell growth, resistance to cell death, and metastasis. By mapping and understanding GRNs in cancer, researchers can identify key regulatory nodes and pathways that contribute to malignancy.

מטרת הפרויקט:

In this project we will explore the landscape of gene regulatory networks in a type of kidney cancer known as renal cell carcinoma (RCC). We will do this using publicly available single cell datasets from several different modalities. Using different statistical and machine learning methods, we will explore the different tumor and immune cell states and types in RCC. We will then infer networks using state of the art techniques.

תכולת הפרויקט:

The student in the project will learn about the different techniques of analyzing single-cell datasets, methods for analyzing complex networks, and state of the art methods for inferring GRN's from single cell data.

קורסי קדם:

• מבוא ללימדת מכונה
• ניורו-גנומיקה או ביולוגיה חישובית/ביואינפורמטיקה

דרישות נוספות:

• Basic programming in R or Python
• Introductory courses in biology is recommended but not required

מקורות:

1. Trink Y, Urbach A, Dekel B, Hohenstein P, Goldberger J, Kalisky T. Characterization of Continuous Transcriptional Heterogeneity in High-Risk Blastemal-Type Wilms' Tumors Using Unsupervised Machine Learning. Int J Mol Sci. 2023 Feb 9;24(4):3532. doi: 10.3390/ijms24043532. PMID: 36834944; PMCID: PMC9965420.
2. Kamimoto, K., Stringa, B., Hoffmann, C.M. et al. Dissecting cell identity via network inference and in silico gene perturbation. Nature 614, 742–751 (2023). https://doi.org/10.1038/s41586-022-05688-9
3. Bravo González-Blas, C., De Winter, S., Hulselmans, G. et al. SCENIC+: single-cell multiomic inference of enhancers and gene regulatory networks. Nat Methods 20, 1355–1367 (2023). https://doi.org/10.1038/s41592-023-01938-4

הרקע לפרויקט:

דימות תפקודי בתהודה מגנטית (functional magnetic resonance imaging, fMRI) הינה טכנולוגיית דימות המודדת שינויים לאורך הזמן בפעילות מוחית. היתרון המרכזי שלה הוא היכולת למדוד פעילות בכל המוח בו זמנית, עם רזולוציה מרחבית טובה (1-2 ס״מ). עבור מטופלים עם גידולים מוחיים, יש צורך לזהות ולאפיין רשתות מוחיות באופן אינדיבידואלי לצורך מיפוי טרום-ניתוחי, כמו גם מעקב אחרי ארגון מחדש של הרשתות לאורך הזמן לאחר הניתוח.
בפרויקט זה נשתמש בנתוני fMRI מחולים עם גידול מוחי ואלגוריתמיקה של independent component analysis (ICA) המפרידה סיגנלים מוחיים לרכיבים שונים, מהם ניתן לזהות רשתות מוחיות. בפרויקט הסטודנטים/ות יפתחו אלגוריתמיקה לצורך זיהוי טוב של הרשתות המוחיות השונות על בסיס סריקות שבוצעו לפני ניתוח להסרת הגידול ואחריו. בנוסף, הסטודנטים יבחנו את יכולת ההכללה של התוצאות עבור הסריקות השונות לפני ואחרי הניתוח.
אפיון הארגון המוחי באופן אינדיבידואלי הינו חלק מהגישה המתפתחת של דימות מוחי מדויק (precision neuroimaging), המתמקדת בהבנת פעילות המוח ואזורים תפקודיים ברמת האדם האינדיבידואל. גישה זו כוללת שימוש במידע רווי נתונים משיטות דימות שונות עם יישומים רלוונטיים לפיתוח שיטות רפואה מותאמות אישית.
פרויקט זה יעסוק בעיבוד נתונים ופיתוח אלגוריתמיקה תוך מטרה מכוונת לשימוש קליני.

מטרת הפרויקט:

מטרת פרויקט זה היא לבצע עיבוד של נתוני fMRI, פיתוח והתאמה של אלגוריתמיקה לשאלת המחקר, ואפיון התוצאות המתקבלות. זאת על מנת לזהות רשתות מוחיות ברמת המטופל האינדיבידואלי. כלים אלו שנפתח ישמשו בסיס להבנת העקרונות של ארגון אזורים ורשתות במוח והבנה עמוקה יותר של השפעת גידול על פעילות מוחית.

תכולת הפרויקט:

הסטודנטים יפתחו כלים לניתוח אותות מוחיים משיטות מדידה שונות וישתמשו במודלים סטטיסטיים וויזואליזציה של התוצאות. העבודה תכלול: כתיבת קוד, ניתוח נתונים, מודלים סטטיסטיים, וקריאת ספרות.

קורסי קדם:

אין קורס קדם

דרישות נוספות:

דרושה יכולת תכנות בפייתון או ב-MATLAB. - חובה
לא חובה:
ניתוח אותות
מדעי נתונים ביולוגיים
קורס נוירופיזיולוגיה של מערכות ו/או כל ידע על מערכות מוחיות.

מקורות:

1. Smitha et al. Resting state fMRI: a review on methods in resting state connectivity analysis and resting state networks. The Neuroradiology Journal 30(4): 305-317. 10.1177/1971400917697342
2. Mandal A., Wiener C., Assem M., Romero-Garcia R., Coelho P., McDonald A., Woodberry E., Morris R.C., Price, S.J., Duncan J., Santarius T., Suckling J., Hart M.G., & Erez Y. (2024) Tumour-infiltrated cortex participates in large-scale cognitive circuits. Accepted in Cortex. https://doi.org/10.1016/j.cortex.2024.01.004.

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. השיטות ישימות עבור תאי גזע.

מטרת הפרויקט:

מטרת הפרויקט להשתמש ולשפר 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 ולהבנת תאי גזע.

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 ליישם בצורה משמעותית עבור תאי גזע.

קורסי קדם:

83691 Formal Verification and Synthesis (במקביל לפרויקט)

מקורות:

1. Carbognin et al Esrrb guides naive pluripotent cells through the formative transcriptional programme. Nature cell biology, 2023.
2. Manna, Zohar, and Amir Pnueli. "Temporal verification of reactive systems: safety." Springer (1995).
3. 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.
4. Boyan Yordanov, Sara-Jane Dunn, Colin Gravill, Hillel Kugler, Christoph M Wintersteiger
5. An SMT-Based Framework for Reasoning About Discrete Biological Models. ISBRA’22, LNCS Springer 2022.

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. Often a single cell with low DRT requires much more often restore operations on the whole array, severely impacting the power efficiency and memory availability.

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, requiring suggesting and implementing novel hardware solutions both in Matlab and Cadence Virtuoso.

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

מעגלים משולבים ספרתיים 83-313

מקורות:

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

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a dynamic storage technology that presents an alternative to standard SRAM for various applications. In this project, novel circuit techniques will be developed for GC-eDRAM based memories to improve performance, power, and area (PPA) costs.

מטרת הפרויקט:

The project outcome is a novel technique for improving the GC-eDRAM technology

תכולת הפרויקט:

This work will include the investigation of sophisticated refresh schemes, advanced write-back techniques, and others. This research project will include Virtuoso based simulations in advanced CMOS nodes

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

מעגלים משולבים ספרתיים 83-313

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
3. Refresh Algorithm for Ensuring 100% Memory Availability in Gain-Cell Embedded DRAM Macros https://ieeexplore.ieee.org/document/9495814
4. A 4T GC-eDRAM Bitcell with Differential Readout Mechanism For High Performance Applications https://ieeexplore.ieee.org/document/10559672

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. The GC-eDRAM memory is based on a dynamic bitcell that does not have a constant power supply. The dynamic nature of the cell leads to limited data retention time (DRT) due to parasitic leakage currents. But it also creates opportunities to explore in utilizing these mechanisms to our advantage.

מטרת הפרויקט:

The unique features of the GC-eDRAM memories, require specialized memory block design, but also an opening for implementing in-memory logical computations with very little overhead. For example readout of an logical "NOR" function result for two adjacent memory rows can be performed in such a memory with very little overhead. In this project we aim to design a GC-eDRAM memory that will allow to perform various logical computation with data stored in the memory.

תכולת הפרויקט:

The students will develop a unique memory design and architecture. They will be required to suggest and implement novel ideas in memory design and run various simulations to prove the suggested memories reliability.

קורסי קדם:

מעגלים אלקטרוניים ספרתיים

דרישות נוספות:

Digital Integrated Circuits (83-313)

מקורות:

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

הרקע לפרויקט:

Gain-cell embedded DRAM (GC-eDRAM) is a dynamic storage technology that presents an alternative to standard SRAM for various applications. In this project, novel circuit techniques will be developed for GC-eDRAM based memories to improve performance, power, and area (PPA) costs.

מטרת הפרויקט:

Characterization of novel GC-eDRAM bitcell topology and physical design of memory array based on it.

תכולת הפרויקט:

This research project will include Virtuoso based simulation in advanced technology nodes, designing the array architecture and implementing it in physical layout

קורסי קדם:

מעגלים משולבים ספרתיים 83-313

דרישות נוספות:

מעגלי ומערכות וי.אל.אס.איי. דיגיטליים - 83-612

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
3. Configurable Multi-Port Dynamic Bitcell with Internal Refresh Mechanism https://ieeexplore.ieee.org/document/8617861
4. A 4T GC-eDRAM Bitcell with Differential Readout Mechanism For High Performance Applications https://ieeexplore.ieee.org/document/10559672

הרקע לפרויקט:

The inefficiency in the post silicon validation segment is dragging down the innovation and profitability of the semiconductor industry. A discipline in which this inefficiency is especially pronounced is Circuit Edit (CE). CE is a technology which utilizes particle accelerators (FIB - Focus Ion Beam) to pathfind problems and to prototype solutions for problems found in chips. The issue here is that this technology is currently utilized entirely manually from the bug localization step to the CE execution step. This project aims to take an important step towards the automation of this discipline.

מטרת הפרויקט:

This project's goal is to automate one of the crucial steps in the CE flow - the CE description (or request) step, in order to enable greater speed and efficiency in this discipline.
The final result of the project will be a set of synthetic data (data created by the students), and software which is capable of creating a high level CE description in electrical schematic level, given a problem description and localization.

תכולת הפרויקט:

1. Learn how to read semiconductor electrical schematics and semiconductor basics (logic gates, chip architecture).
2. Learn how to work with basic semiconductor EDA design tools (specifically with Altair's design tools).
3. Create a comprehensive list of the problem types that can occur in chip design.
4. Create a data set of problems on a working chip design, based on the researched types of problems.
5. Form the relevant data set that will be the input of the ML model, which will consist of the bug description and localization (which devices or signals cause the problem).
6. Research the ML models that would be the most suitable for the task at hand.
7. Apply the ML models to the data set and analyze the results.
8. Create corrective measures (in the weights of the model or in the feedback loop) to maximize the ML model accuracy, based on ML results analysis.
9. Document all steps of the process.
10. Propose potential improvement to the model (the application of which would be outside the scope of the project).

קורסי קדם:

Semiconductor Devices, Logic Gates, Python Programming, Machine Learning (Using Python).

דרישות נוספות:

CAD Software, Advanced Statistics, SQL Querying, Data Mining, High level Technical English, Jira, Confluence.

מקורות:

NA

הרקע לפרויקט:

מדובר על טכנולוגיית חישה חדשנית המבוססת על ניתוח שינויים זמניים-מרחביים של תבנית פיזור אור לייזר מרקמה ביולוגית. על בסיס זה ניבחנת יכולת חישה של פרמטרים ביו רפואיים מרחוק. תבניות הפיזור הנוצרות עקב התאבכות עצמית של אור הלייזר ניקראות ספקלס. אלו תבניות אקראיות המשתנות בזמן כתלות בתהליכים הזמניים הקורים בתוך הרקמה הביולוגית. במסגרת הפרויקט ניבנה אלגוריתם לימוד מכונה שילמד את מאפיני תבנית הפיזור וידע לקשר אותה לננו-רעידות המתרחשות ברקמה. מתוך ניתוח תבניות הננו-רעידות ניתן לבצע שערוך של פרמטרים בו רפואיים שונים הכוללים לחץ דם, מאפיני זרימת דם בכלי דם ועוד. אלגוריתמיקת למידת המכונה שתופעל פה תבוסס על רשתות ניורונליות.

מטרת הפרויקט:

פיתוח אלגוריתמי עיבוד תמונה מבוססי למידת מכונה לניתוח תבניות פיזור אור לייזר באפליקציות חישה ביו רפואית

תכולת הפרויקט:

פיתוח אלגוריתמי עיבוד תמונה מבוססי למידת מכונה לניתוח תבניות פיזור אור לייזר. הפעלת האלגוריתמים על מידע אמיתי שיאסף בניסויי מעבדה. עבודה ב מטלב או פייתון.

קורסי קדם:

קורס בסיסי בלמידת מכונה

מקורות:

Kalyuzhner, Z., Agdarov, S., Orr, I. et al. Remote photonic detection of human senses using secondary speckle patterns. Sci Rep 12, 519 (2022). https://doi.org/10.1038/s41598-021-04558-0

הרקע לפרויקט:

מעקב ולוקליזציה של דוברים בתוך חדר הוא אתגר משמעותי בתחום עיבוד אותות אודיו. ארכיטקטורות שונות כגון רשתות קונבולוציה (CNNs) והרחבות שלהן, הראו הבטחה בהתמודדות עם אתגר זה. באופן ספציפי, האינטגרציה של רשתות זיכרון לטווח קצר (LSTM) עם רשתות CNN יכולה ללכוד תלות זמנית באותות אודיו, בעוד שרשתות קונבולוציה זמניות (TCNs) מציעות גישה חלופית לניתוח דפוסים זמניים ביעילות. במהלך הפרוייקט נבחן את ביצועי הרשתות הנ"ל בהקשר של עקיבת ואיכון דוברים

מטרת הפרויקט:

מטרת פרויקט זה היא לפתח ולהעריך שיטות למעקב ולוקליזציה (איכון) של רמקולים באמצעות ארכיטקטורות רשתות עצביות מתקדמות אלו. אנו שואפים לחקור את השילוב של רשתות LSTM עם CNNs ולחקור את הפוטנציאל של TCNs. בנוסף, התלמידים יצברו ניסיון מעשי על ידי הרצה והפעלת סימולציות ליצירת דאטה, אימון המודלים. בנוסף נבצע הקלטות חיות אמיתיות במעבדה האקוסטית כדי ליצור מערך נתונים מקיף להערכה ובדיקת המודלים.

תכולת הפרויקט:

ישום מודל אחד או מספר מודלים עבור לוקליזציה של דוברים
יצירת דאטה מסומלץ של דוברים בחדר
אימון של מודלים מתאימים
הערכת ביצועים וניתח את החוזקות והחולשות של המודל/ים

קורסי קדם:

עיבוד ספרתי 2, למידה עמוקה

מקורות:

1. Exploiting Temporal Context in CNN Based Multisource DOA Estimation https://ieeexplore.ieee.org/document/9381644
2. DataGen simulation (git): https://github.com/MayaVB/SpeakerLocGen

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.
זהו פרויקט המשך שבו הראנו יישימות. בפרויקט הזה נשפר את האנליזה והניתוח ובנוסף נוסיף מנגנון ייחודי לייצר מדידות \ חתמיות "דטרמניסטיות" ולא רועשות ממדידות רועשות על מנגנון FUZZY EXTRACTOR, בנוסף ללמידת המכונה והקלסיפיקציה.

מטרת הפרויקט:

מימוש מערכת עובדת מלאה והדגמה עם דאטה בייס גדול ומשמעותי

תכולת הפרויקט:

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

קורסי קדם:

כל קורס קודם המספק ידע בנושאים:
ידע קודם בסיסי בלמידת מכונה \ קלסיפיקציה \ רגרסיה
ייתרון לסטודנטים בעלי שליטה בבניית מודלים בפייטון (או מטלב), למשל עצים, Random-Forest, ensembles, ANN \ CNN RNN\ DNN

דרישות נוספות:

הבנה של קודים לתיקון שגיאות ייתרון (אך לא חובה)
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.
4. https://ranger.uta.edu/~mingli/publications/Pairing.pdf

שם המנחה: גל כהן
אחראי/ת אקדמי/ת: איתמר לוי

הרקע לפרויקט:

As digital threats evolve, protecting embedded systems becomes increasingly vital. This project explores how AI can be used to perform advanced cyber attacks on these systems, focusing on vulnerabilities in technologies like Bluetooth, WiFi, Zigbee, and LoRa. By integrating AI algorithms with signal processing and spectrogram analysis, the project aims to reconstruct CPU operations and extract secret keys from RF transmissions. This initiative combines practical coding with innovative research, preparing students to address contemporary cybersecurity challenges.

מטרת הפרויקט:

AI System capable of Reconstructing CPU Operations from RF Transmissions to Steal Secret Keys (e.g., Bluetooth, WiFi, Zigbee, LoRa) and private information.

תכולת הפרויקט:

the project consists of :

• Coding for embedded systems
• Engineering AI algorithms designed to breach secure systems
• Applying data science techniques
• Mastering AI classification algorithms
• Working with spectrograms and signal processing

While the completion of a final project is not mandatory, we do require significant progress in at least one of the fields mentioned above.

קורסי קדם:

פשוט תבואו עיקר המטרה זה שתלמדו :) אין צורך או ציפיה לידע קודם.

דרישות נוספות:

פשוט תבואו עיקר המטרה זה שתלמדו :) אין צורך או ציפיה לידע קודם.

מקורות:

1. https://www.eng.biu.ac.il/leviita2/publications/

מאמר 4 הוא הכי רלוונטי לפרויקט :) אך גם שונה במהותו

1. Danieli E, Goldzweig M, Avital M, Levi I. "Revealing the Secrets of Radio Embedded Systems: Extraction of Raw Information via RF". IEEE Transactions on Information Forensics and Security. 2023 Dec 20. (Final Extended version)

הרקע לפרויקט:

זיהוי זליגה עם וקטור מבחן (TVLA) הינה מתודולוגיה המשמשת באבטחת קריפטוגרפיה לגילוי חולשות לערוצי צד ביישומים קריפטוגרפיים. התקפות ערוצי צד מנצלות דליפות פיזיות, כגון צריכת חשמל או קרינות אלקטרומגנטיות, כדי להוציא מידע סודי כמו מפתחות קריפטוגרפיים. TVLA משתמשת בטכניקות סטטיסטיות לניתוח הקורלציה בין דליפות פיזיות אלו לבין המידע הסודי המעובד על ידי האלגוריתם הקריפטוגרפי. על ידי בדיקה שיטתית עם וקטורי קלט שונים וניתוח הדליפות הנובעות, TVLA מכמתת את כמות המידע הסודי שדלף. שיטה זו מאומצת באופן נרחב בתחום אבטחת החומרה כדי להבטיח שמכשירים קריפטוגרפיים, כגון כרטיסים חכמים ומעבדים מאובטחים, עמידים בפני התקפות מסוג זה. מתודולוגיה זו מספקת גישה קפדנית ומנורמלת בין מכשירים להערכת הקריטריונים המשותפים של יישומים קריפטוגרפיים נגד חולשות פוטנציאליות, מה שהופך אותה לכלי חיוני למפתחים וחוקרי אבטחה.

מטרת הפרויקט:

מימוש מבחן סטטיסטי מרובה-משתנים למומנט סטטיסטי גבוה בסביבת matlab/python, וניתוח דגימות שנמדדו ע"ג MCU/FPGA המריץ סכימות הצפנה מבוססות בלוקים שונות (ASCON, AES).

תכולת הפרויקט:

(1)סקירה ספרותית ולמידה מעמיקה של האלגוריתם למימוש, כפי המוצע ב[1], (2)מימוש האלגוריתם ודיבוג בIDE הנבחר (3)מדידות חומרה של סכימות הצפנה מבוססות בלוקים ע"ג MCU/FPGA (4)ניתוח המדידות באמצעות האלגוריתם הממומש

קורסי קדם:

מבוא לסטטיסטיקה, אלגברה ליניארית למהנדסים, אותות אקראיים ורעש, מבוא לאבטחת חומרה

דרישות נוספות:

הכרות מעמיקה עם python/matlab

מקורות:

1. Leakage Assessment Methodologyhttps://www.iacr.org/archive/ches2015/92930478/92930478.pdf
2. Recognition of Common Criteria Certificates https://www.commoncriteriaportal.org/cc/index.cfm

הרקע לפרויקט:

בשנים האחרונות שיטות למידה עמוקה משמשות למשימות רבות כולל לשיפור שמע והנחתת רעשים. לצורך אימון הרשת יש להגדיר פונקציית לוס לפיה ישתפר המודל, אך הקשר בין מדד שיפור אחד לשני אינו בהיר דיו. בנושא מחקר זה נעמוד על הקשר בין מדדי האיכות השונים הרלוונטים לצורך אימון הרדת

מטרת הפרויקט:

בפרויקט זה נחקור את הקשר בין מדדי איכות שונים עבור הורדת רעש כתלות בפונקציה לפיה מתאמנת הרשת. נאמן רשת נוירונים עבור שיפור איכות השמע

תכולת הפרויקט:

יצירת דאטא, בניית רשת, אימון הרשת והשוואת התוצאות בין המדדים השונים

קורסי קדם:

עיבוד אותות ספרתי 2
למידה עמוקה

מקורות:

https://ieeexplore.ieee.org/abstract/document/8683855

הרקע לפרויקט:

בשנים האחרונות השימוש בשיטות למידה עמוקה עבור אותות דיבור תופס מקום מרכזי בעולם המחקרי. ניתן להשתמש בכלי זה לצורך משימות שונות ובהם זיהוי אלמנטים מסויימים בנוגע לדובר הנתון לנו.

מטרת הפרויקט:

בפרויקט זה נשתמש בשיטות AI לצורך סיווג הקלטה נתונה – האם מדובר בגבר או באישה. הסיווג יתבצע תחת תנאי הדהוד ורעש כך שהמודל ילמד להכליל סיטואציות שונות

תכולת הפרויקט:

יצירת דאטא, בניית רשת, אימון הרשת וניתוח תוצאות

קורסי קדם:

עיבוד אותות ספרתי 2
למידה עמוקה

מקורות:

https://ieeexplore.ieee.org/abstract/document/9054073

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.
פרויקטים נוספים מותאמים לסטודנט אפשריים במקרים מסוימים בתאום עם פרופ' וובר.

קורסי קדם:

רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת או למידת מכונה עמוקה.

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

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

הרקע לפרויקט:

Polyhedral surfaces are elementary in computer graphics. They are used to represent 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 strive to preserve length. We will implement an advanced algorithm for computing such maps that uses logarithmic lengths (AKA Penner coordinates) as variables of numerical optimization problem.

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:

רצוי רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת או אופטימיזציה

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

http://ryanjcapouellez.com/papers/2024_seamless_parametrization_in_penn…

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. In this project, we will design such coordinates based on recent research advancements in the field.

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:

רצוי רקע בעיבוד דיגיטלי של גיאומטריה או גרפיקה ממוחשבת

דרישות נוספות:

יכולת תכנות טובה + יכולת עבודה עצמאית והגדלת ראש

מקורות:

1. https://diglib.eg.org/handle/10.1111/cgf14908 - Maximum Likelihood Coordinates for Image Deformation
2. https://graphics.pixar.com/library/StochasticCoordinates/index.html - Stochastic Computation of Barycentric Coordinates
3. https://dl.acm.org/doi/10.1145/3618403 - Variational Barycentric Coordinates

הרקע לפרויקט:

Routing of vehicles in smart cities is an important subject, with the potential to reduce bottlenecks.

מטרת הפרויקט:

ניתוח של נתוני תעבורה של העיר סיאול. בנית מודל עומס מתוך נתוני מהירות ולימוד ובדיקה של איסטרטגיות ניתוב

תכולת הפרויקט:

• Spectral analysis of existing data
• Development of traffic generator, by converting speed data into congestion model
• Formulation of the traffic problem as a multi-agent potential game
• Development of leader followers strategies for traffic prediction and control

קורסי קדם:

Random signals and noise,

דרישות נוספות:

Mathematical analysis of networks in parallel

מקורות:

1. Cesa-Bianchi, N., & Lugosi, G. (2006). Prediction, learning, and games / Nicolo Cesa-Bianchi, Gabor Lugosi. Cambridge University Press.
2. Gardner, William A. 1994. Cyclostationarity in Communications and Signal Processing. New York: IEEE Press.
3. Monderer, Dov, and Lloyd S. Shapley. n.d. “Potential Games.” Games and Economic Behavior 14 (1): 124–43. https://doi.org/10.1006/game.1996.0044.

הרקע לפרויקט:

במהלך השנים האחרונות ביצענו מחקר של אינטרקציה אנושית והבנת ההתנהגות של רשת תחת מצבים שונים. הסטודנטים יבחנו את התוצאות של הניסוי ויבינו איך מתקבלות החלטות ברשת אנושית

מטרת הפרויקט:

הבנת הדינמיקה של רשת אנושית

תכולת הפרויקט:

ביצענו מחקר בין נגני כינור תוך שליטה באינטרקציה שלהם - הסטודנטים ינתחו את התוצאות ויבינו איך מתקבלות החלטות ברשת

קורסי קדם:

קורס תכנות

מקורות:

https://www.nature.com/articles/s41467-020-17540-7

הרקע לפרויקט:

למידה עמוקה שינתה את פני תחום עיבוד האותות. לאחרונה, מודלים גנרטיביים מסוג רשתות דיפוזיות השתלבו גם הם בפתרון משימות שונות בעולם עיבוד אותות הדיבור כמו- הפרדת דוברים, טיוב דיבור וזיהוי דיבור אוטומטי. בפרויקט זה נתמקד בשיפור שיטות חד ערוציות לטיוב דיבור.

מטרת הפרויקט:

בפרויקט הסטודנטים יממשו רשתות שמסוגלות לשפר איכות של אותות דיבור מהדהדים ומורעשים. מטרת הפרויקט היא לשפר ביצועים של רשתות קיימות ע״י אימון ״ייעודי״ של רשת ה״מתמחה״ בטווח הדהוד/רעש מסוים. נבצע בדיקה מקיפה אם ניתן ועד כמה ניתן לשפר רשת קיימת ע״י fine-tunning באמצעות דטה בעל מאפיינים ספציפיים יותר (פחות הכללה). במסגרת הפרויקט נרצה לבנות GUI המאפשר שיפור של מקטעי דיבור אותם מכניס המשתמש, עם מספר פרמטרים נשלטים כמו- גודל החדר בו הוקלטה ההקלטה, רמת הרעש, רמת ההדהוד וכו

תכולת הפרויקט:

על הסטודנטים יהיה ללמוד חומר מתקדם בתחום למידה עמוקה ולשלוט בכתיבת קוד בפייתון עם ספריות ייעודיות בתחום. נתמקד ברשתות שהינן ״מומחיות״ עבור פרמטרים ספצייפים של הקלטה לדוגמא: עבור הקלטה רועשת יחסית או הקלטה יחסית שקטה, עבור הקלטה שהוקלטה בחדר קטן או הוקלטה בחדר גדול וכו׳.

קורסי קדם:

למידת מכונה, למידה עמוקה
אלגורתמים סטטיסטיים לעיבוד אותות

דרישות נוספות:

מודלים גנרטיביים

מקורות:

BUDDy: Single-channel Blind Unsupervised Dereverberation with Diffusion Models - https://arxiv.org/abs/2405.04272