פרויקטי גמר - תואר ראשון בהנדסת חשמל (B.Sc) - התמחות בעיבוד אותות תשפ"ד

401 Momentums in Deep Learning Optimization
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
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
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 Multi-Source Diffusion Models for Simultaneous Music Generation
אחריות אקדמית:

הרקע לפרויקט:

Generative models have recently gained a lot of attention thanks to their successful application in many fields. Deep generative models for audio, learn, directly or implicitly, the distribution of mixtures, possibly conditioning on additional data such as text. Various general-purpose generative models, such as autoregressive models, GANs , and diffusion models, have been adapted for use in the audio field.

מטרת הפרויקט:

In this project, the students will build a diffusion-based generative model capable of music synthesis by learning the score of the joint probability density of sources sharing a context.

תכולת הפרויקט:

הסטודנטים יבנו ויממשו רשת דפיוזית שמייצרת דוגמאות מוזיקה. מוצאי הרשת ייבחנו בשיטות המקובלות וישוו לשיטות מתחרות. בנוסף, נרצה לשלב יכולת הפרדה של הרשת למקטעים מיקס של מוזיקה.

קורסי קדם:

  • למידה עמוקה 
  • עיבוד אותות ספרתי 1+2 (2, במקביל)
  • למידת מכונה

דרישות נוספות

  • תכנות בpython
  • שימוש בlinux

מקורות:

Multi-Source Diffusion Models for Simultaneous Music Generation and Separation https://arxiv.org/pdf/2302.02257.pdf

הצלחת הפעלת רשת המאפשרת בו זמנית מספר משימות שונות

405 Room Impulse Response Super Resolution using GAN and Deep Learning Approaches
אחריות אקדמית:

הרקע לפרויקט:

Find Room Impulse Response (RIR) of specific room is an important task for many uses in audio signal processing. Measurements of RIR is expensive in the sense of time and equipment. Many RIR generators was developed trying to simulate the room behavior using different methods. We present a method for improving the quality of synthetic room impulse responses for far-field speech recognition. We bridge the gap between the fidelity of synthetic room impulse responses (RIRs) and the real room impulse. Given a synthetic RIR in the form of raw audio, we translate it into a real RIR.

מטרת הפרויקט:

בפרויקט נממש מערך לסופר רזולוציה של RIR ע"י למידה עמוקה. נשתמש במודל GAN כדי לקחת RIR שנוצר ע"י סימולציה, וניצור ממנו RIR שמתנהג כמו RIR מציאותי. בנוסף, ננסה נשתמש במודל כדי ליצור RIR גם במקומות נוספים שבהם לא קיימת לנו סימולציה. לאחר מכן נוכן להשתמש במודל זה על מנת לשפר מדידות קיימות של RIR, גם במקומות נוספים בחדר שלא קיימים לנו מדידות בהם.

תכולת הפרויקט:

  • סקירה והבנה של שיטות שונות ליצירת RIR בצורה סינטטית.
  • מציאת או יצירת Data-Base של מדידות RIR.
  • מימוש בpython של מערכת למידה עמוקה. מודל מסוג של GAN.
  • אימון המודל ע"מ: 
    לשפר את הRIR הסינטטי.
    סופר רזולוציה – יצירת RIR גם במקומות שבהם אין לנו הקלטת RIR.

קורסי קדם:

  • קורס עיבוד ספרתי 2
  • קורס למידה עמוקה

(במהלך שנה ד')

דרישות נוספות:

  • קורס למידת מכונה
  • תכנות בpython.

מקורות:

  1. Anton Ratnarajah, Shi-Xiong Zhang, Meng Yu, Zhenyu Tang, Dinesh Manocha, Dong Yu, ”FAST-RIR: FAST NEURAL DIFFUSE ROOM IMPULSE RESPONSE GENERATOR”, https://arxiv.org/abs/2110.04057
  2. Anton Ratnarajah, Zhenyu Tang, Dinesh Manocha, “IR-GAN: Room impulse response generator for far-field speech recognition”, https://arxiv.org/abs/2010.13219
406 DSP Toolbox -Python freeware GUI
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)
407 A fast 3D-MUSIC method for near-field sound source localization based on the bat algorithm
אחריות אקדמית:

הרקע לפרויקט:

בפרויקט זה תמומש שיטה לאיתור מקורות בחלל תלת מימדי(3D) המבוססת על שיטת החישה של עטלפים. חיפוש ואיתור מקורות בחלל תלת מימדי הוא מאתגר בשל העומס החישובי המוטל על המערכת בזמן אמת. לדוגמא, אלגוריתם MUSIC מבוסס על סריקה של כל הנקודות האפשריות במרחב ומציאת הנקודה האופטימאלית אשר מביאה למינימום את פונקציית המחיר. מסתבר כי עטלפים סורקים את המרחב שלפניהם באופן מהיר ביותר על ידי שיטות איטרטיביות מתוחכמות. בפרויקט זה ננסה להתחקות אחר השיטות האלו ולייעל ולקצר את תהליך האיתור.

מטרת הפרויקט:

התוצר הסופי הינו אלגוריתם ממומש ועובד לשיפור משמעותי של זמן הריצה של מערכות איתור מקורות בחלל תלת מימדי.

תכולת הפרויקט:

  1. בשלב ראשון ננסה לנסח אלגוריתם המייעל את תהליך איתור המקורות בהתבסס על שיטת MUSIC וחישת עטלפים
  2. בניית סימולציית MATLAB/PYTHON.
  3. כתיבת האלגוריתם ופתרון בעיות של זמן אמת
  4. עריכת הקלטות ובחינת ביצועים

קורסי קדם:

  • עיבוד אותות ספרתי
  • עיבוד אותות סטטטיסטי
  • עיבוד אותות מרחבי

מקורות:

  1. https://ieeexplore.ieee.org/abstract/document/32276/
  2. https://journals.sagepub.com/doi/pdf/10.1177/1475472X221093711?casa_tok…
408 Distributed Sensor Selection for Speech Enhancement With Acoustic Sensor Networks
אחריות אקדמית:

הרקע לפרויקט:

במבנה מורכב של מספר מערכי מיקרופונים המקושרים זה לזה (הנקראת רשת מיקרופונים מבוזרת), רק מספר חלקי של מערכים תורמים תרומה משמעותית למשימות שיפור הדיבור. שימוש במערכים האינפורמטיביים ביותר הללו במקום ברשת כולה לא רק מונע צריכת אנרגיה מיותרת אלא גם מאריך את חיי המקרופונים. לשם כך, מוצעת שיטת בחירת מערכים לשיפור דיבור. קבוצת המשנה הטובה ביותר של מערכי מיקרופון נקבעת על ידי מיקסום יחס האות לרעש (SNR), תוך שמירת המקרופונים המופעלים מחוברים זה לזה. השיטה המוצעת יכולה להשיג את תת הרשת האופטימלית בסביבות רועשות ומהדהדות.

מטרת הפרויקט:

מימוש השיטה לבחירת המערכים האינפורמטיביים ביותר מתוך כלל הרשת לצורך שיפור דיבור ובדיקתה ע"י סט הקלטות.

תכולת הפרויקט:

  1. בשלב ראשון ננסה לנסח את האלגוריתם המוצע.
  2. בניית סימולציית MATLAB/PYTHON.
  3. כתיבת האלגוריתם ופתרון בעיות של זמן אמת
  4. עריכת הקלטות ובחינת ביצועים

קורסי קדם:

  • עיבוד אותות ספרתי
  • עיבוד אותות סטטטיסטי
  • עיבוד אותות מרחבי

מקורות:

1. https://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=10043687&casa_toke…

409 Complex Valued Neural Network for DOA (Direction of Arrival) Estimation
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
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
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
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
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

414 Speech Enhancement and Dereverberation With Diffusion-Based Generative Models
אחריות אקדמית:

הרקע לפרויקט:

בתוך תחום למידה עמוקה, מודלים גנרטיביים תופסים מקום נרחב והובילו לפיתוחים משמעותיים בתחום כמו: chatGPT שעורר הדים רבים. גישה חדשה בתוך תחום זה היא שימוש במודלים דפיוזים גנרטיביים, בהם נתמקד בפרויקט זה לצורך ניקוי ושיפור איכות אות דיבור.

מטרת הפרויקט:

מטרת הפרויקט היא לאמן רשת נוירונים שמבצעת speech enhancement בגישה גנרטיבית ע"י מודל דיפיוזי. הרשת תבחן גם על אותות "עולם אמיתי" והקלטות בתנאי מעבדה על מנת לבחון את יכולת ההכללה שלה.

תכולת הפרויקט:

  • הקלטת דטה במעבדה, איסוף דטה אמיתי מהאינטרנט
  • הפעלת טסט על הדטה החדש ושיפור ביצועי הרשת עליו

קורסי קדם:

  • עיבוד אותות ספרתי 1
  • אלגוריתמים סטטיסטיים לעיבוד אותות 1
  • למידת מכונה

במקביל:

  • עיבוד אותות ספרתי 2
  • אלגוריתמים סטטיסטיים לעיבוד אותות 2
  • למידה עמוקה

דרישות נוספות:

  • תכנות בpython
  • היכרות עם לינוקס

מקורות:

  1. J. Richter et al., “Speech enhancement and dereverberation with diffusion-based generative models,” Arxiv.org. [Online]. Available: http://arxiv.org/abs/2208.05830.
415 Multi-Source Diffusion Models for Simultaneous Music Separation
אחריות אקדמית:

הרקע לפרויקט:

Generative models have recently gained a lot of attention thanks to their successful application in many fields. Unlike in other sub-fields of the audio domain (e.g., speech), sources present in musical mixtures (stems) share a context given their strong interdependence. Therefore, this separation process is a challenging task.

מטרת הפרויקט:

In this project, the students will build a diffusion-based generative model capable of source separation by learning the score of the joint probability density of sources sharing a context.

תכולת הפרויקט:

הסטודנטים יבנו ויממשו רשת דפיוזית שמפרידה מיקס של מוזיקה. מוצאי הרשת ייבחנו בשיטות המקובלות וישוו לשיטות מתחרות. בנוסף, נרצה לשלב ברשת יכולת של ייצור דוגמאות מוזיקה חדשות.

קורסי קדם:

  • עיבוד אותות ספרתי 1+2 (2, במקביל)
  • למידת מכונה
  • למידה עמוקה (במקביל)

דרישות נוספות:

  • תכנות בpython
  • שימוש בlinux

מקורות:

  1. G. Mariani, I. Tallini, E. Postolache, M. Mancusi, L. Cosmo, and E. Rodolà, “Multi-source diffusion models for simultaneous music generation and separation,” Arxiv.org. [Online]. Available: http://arxiv.org/abs/2302.02257.


 

416 Audio Segments Alignment
אחריות אקדמית:

הרקע לפרויקט:

יכולת התאמת קטעי אדיו בעלי אורכים שונים מסביבה מהודהדת לנקייה

מטרת הפרויקט:

יכולת התאמה עבור אלגוריתם echo cancellation

תכולת הפרויקט:

  • יצירת דאטא
  • רשת נוירונים
  • אלגוריתם מסתגל להורדת אקו

קורסי קדם:

  • עיבוד אותות סטטיסטיים 2
  • למידה עמוקה

מקורות:

ישנן מספר עבודות בתחום

417 Filtering directional noise by microphone array
אחריות אקדמית:

הרקע לפרויקט:

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

מטרת הפרויקט:

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

תכולת הפרויקט:

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

קורסי קדם:

  • למידה עמוקה
  • עיבוד אותות ספרתי
  • עיבוד אותות סטטטיסטי

מקורות:

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

הרקע לפרויקט:

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

מטרת הפרויקט:

בפרויקט זה נפתח מערכת שמע ובינה מלאכותית הכוללת:

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

הדגש בפרויקט יהיה על שילוב הצ'אטבוט.

תכולת הפרויקט:

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


קורסי קדם:

  • פיתון


דרישות נוספות:

  • פיתון ברמה גבוהה


מקורות:

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

הרקע לפרויקט:

פסקה המתארת את הטכנולוגיה הרלוונטית לפרויקט ואת משמעות הפרויקט בהקשר זה

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

מטרת הפרויקט:

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

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

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

תכולת הפרויקט:

  1. פירוט של מטלות הסטודנטים בפרויקט

    במסגרת הפרויקט יבחנו מגוון כלים אשר נמצאים בשוק, למשל:

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


קורסי קדם:

  • פיתון ברמה גבוהה


מקורות:

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

פרויקטים נוספים מומלצים

110 Prediction of future gene expression in cells using computational modeling
ניבוי ביטוי הגנים העתידי בתא באמצעות מידול חישובי
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

מפות גנומיות מספקות תמונת מצב מפורטת של התאים ברקמות. במעבדה אנחנו משתמשים בטכנולוגיה חדשה שמאפשרת מדידה מרחבית של מפות גנומיות, וכך אפשר למדוד אינטראקציות בין תאים. כימות האינטראקציות בין תאים יכול לאפשר מידול של מחלות מורכבות כגון סרטן. עם זאת, תמונת המצב הנמדדת היא רגעית בלבד, ולכן אין מידע לגבי הדינמיות בתאים.
באמצעות מודל חישובי חדש בשם RNA velocity המתבסס על משוואות קצב ניתן לתאר את הדינמיות והכיווניות העתידית בביטוי הגנים בתאים. מודל נוסף המבוסס על Matrix Factorization יחשוף אילו גנים משתנים ביחד ומושפעים מהקרבה בין סוגי התאים השונים.

האם ניבוי המצב העתידי של התאים ברקמה סרטנית יחשוף אינטראקציות בין תאי סרטן לתאי מערכת חיסון? אילו קומבינציות של גנים מתארות את אותן אינטראקציות בין סוגי התאים השונים?

הפרויקט מנסה לענות על שאלות אלה תוך יישום האלגוריתמים והתאמתם למפה הגנומית המרחבית של הרקמה הסרטנית.

מטרת הפרויקט:

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

תכולת הפרויקט:

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

קורסי קדם:

מבוא להסתברות וסטטיסטיקה

דרישות נוספות:

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

מקורות:

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

הרקע לפרויקט:

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

מטרת הפרויקט:

בפרויקט נשתמש במידע שהתקבל מטכנולוגיה שהיא בחזית המידע של חקר הסרטן - מיפוי מדויק של מולקולות ברקמה סרטנית וננתח אותו באמצעות שיטות של למידת מכונה.

תכולת הפרויקט:

  • הכרת הנתונים הביולוגיים המשמשים כקלט וכפלט לשלב ניתוח הדאטא.
  • הבנת סט האלגוריתמים בשימוש במעבדה, המבוסס ברובו על אלגוריתמים של עצי החלטה.
  • כתיבת קוד בפייתון עם כלים של למידת מכונה הכולל שיפור האלגוריתמים הקיימים במעבדה, יצירת אלגוריתמים חדשים, ואוטומציה שתאפשר ניתוח של מספר רקמות בצורה מהירה.
  • ניתוח הנתונים וזיהוי דפוסים של מצבי התאים במחלה.
  • סיכום התוצאות.

קורסי קדם:

לפחות אחד משלושת הקורסים הבאים:

  • כריית מידע וייצוג מידע – 83676
  • מבוא ללמידת מכונה (אפשר במקביל לביצוע הפרויקט)
  • מדעי נתונים ביולוגים

דרישות נוספות:

  • רקע בלמידת מכונה - חובה
  • רקע בביולוגיה - יתרון

מקורות:

https://www.alonlab.org/technology

118 Electrical Properties of Electrolyte and cells
איפיון תכונות חשמליות של של אלקטרוליט ותאים
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

בשנים האחרונות עם ההתקדמות הטכנולוגית ושיפור יכולות המדידה עולה הצורך בפיתוח חישנים ואלקטרודות בעלי ממשק לסביבה ביולוגית. פרויקט זה עוסק בפיתוח ויצור של אלקטרודות למדידת אימפדנס של אלקטרוליט / מדיום ביולוגי / cell containing solution [1,2].

במסגרת הפרויקט יבחנו תהליכי יצור של אלקטרודות אשר יבואו במגע עם תמיסות אלקטרוליטיות בעלי מיגוון של ריכוזים של חומרים כימיים וסוגי תאים שונים.

מטרת הפרויקט:

התלמידים יחשפו לתהליכי איפיון תווך ביולוגי ויצור של מיקרו-אלקטרוניקה
תיבחן אפרות למידול תהליכים עם תוכנת הסימולציה למודלים פיסיקליים – Comsol [3] ותוכנה למידול תאים NEURON [4]

תכולת הפרויקט:

הפרויקט הוא מולטי דיסציפלינארי ומחייב לימוד מגוון נושאים הנדסיים וביולוגיים לאיפון האימפדנס הכימי של המערכת.

קורסי קדם:

יקבע בתאום עם המנחים

מקורות:

  1. Yoon, Gilwon. "Dielectric Properties of Body Fluids with Various Hematocrit Levels." World Acad. Sci. Eng. Technol 5 (2011): 1646-1649.
  2. Franks, Wendy, et al. "Impedance characterization and modeling of electrodes for biomedical applications." Biomedical Engineering, IEEE Transactions on52.7 (2005): 1295-1302.
  3. www.comsol.com
  4. https://www.neuron.yale.edu/neuron/
119 Exploring the Impact of Electrical Stimuli on Neuronal Network Activity in Brain-Machine Interfaces
אנליזת ממשקי מוח מכונה: בחינת השפעת גירויים חשמליים על הפעילות החשמלית של רשת נוירונלית
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

התקשורת בין נוירונים מתרחשת באמצעות סיגנלים חשמליים, וזו למעשה אחראית על כל התפקודים העצביים. לכן, הבנת ההשפעה של גירויים חשמליים שונים על הפעילות החשמלית של רשת נוירונים מהווה אבן דרך בהבנתנו את המוח האנושי ואת תהליכי החשיבה המתרחשים בו. בנוסף, הבנה זו עשויה לאפשר לנו להבין טוב יותר מה עומד בבסיס מחלות נוירודגנרטיביות שונות וכן לשלוט בפעילות הנוירונים ולהשפיע עליה ובכך לטפל בעתיד בהפרעות נוירולוגיות.

מטרת הפרויקט:

במסגרת הפרויקט נשתמש בהקלטות של הפעילות החשמלית של תרביות נוירונים (תאי קורטקס של עכברים) שמגורות בגירויים חשמליים שונים וננתח אותן. הפרויקט יכלול כתיבת קוד של חילוץ וניתוח המידע מההקלטות ואנליזות שלהן בפייתון. בנוסף, ננסה לראות האם ניתן להבחין בהשפעת הגירויים החשמליים על הפעילות, ואף ננקה את הגירויים מההקלטה כך שנוכל לקבל את הדאטה של הפעילות החשמלית עצמה ולבחון אותו.

תכולת הפרויקט:

  • הסטודנטים ילמדו על הסיגנלים שמתקבלים בהקלטות חוץ תאיות
  • הסטודנטים יפתחו קוד לעיבוד של הדאטה ולחילוץ וניתוח המידע מהקלטות הפעילות החשמלית בתנאים שונים
  • הסטודנטים יבחנו את השפעת הגירויים החשמליים על הפעילות הנוירונלית, תוך ניקוי המידע הלא רלוונטי מההקלטות

קורסי קדם:

  • מבוא לביולוגיה של התא או פיזיולוגיה חישובית

דרישות נוספות:

  • כל ידע בניתוח נתונים, תכנות בMATLAB ו python- יתרון

מקורות:

  1. Kagan, B. J., Kitchen, A. C., Tran, N. T., Habibollahi, F., Khajehnejad, M., Parker, B. J., ... & Friston, K. J. (2022). In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron, 110(23), 3952-3969.‏
  2. Wagenaar DA, Pine J, Potter SM. Effective parameters for stimulation of dissociated cultures using multi-electrode arrays. J Neurosci Methods. 2004;138(1-2):27-37. doi:10.1016/j.jneumeth.2004.03.005
     
121 Machine learning analysis for brain connectivity patterns
ניתוח למידת מכונה על תפקוד קישוריות של המוח
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

ECOG (Electrocorticography) הינה שיטה להקלטת אותות חשמליים תוך גולגולתיים. ע"י הנחת אלקטרודות ישירות על קליפת המוח, ניתן להקליט אותות חשמליים של פעילות מוחית ממספר ערוצים במקביל הנפרסים על חלקים שונים של המוח. מתוך מערך האלקטרודות ניתן לחשב מטריצת קישוריות שנותנת מידע על קשר סטטיסטי או סינכרוניזציה בין שני סיגנלים שונים, במקרה שלנו בין שני ערוצים (אלקטרודות) של פעילות מוחית מאזורים שונים במוח.

בפרויקט נבחן תבניות של קישוריות מוחית כפי שנמדדו בסיגנלים שהוקלטו ממוח של חולי אפילפסיה.

נשתמש באלגוריתמים של למידת מכונה ולמידה עמוקה כדי לזהות תבניות כאלו של קישוריות מוחית בשני מצבים קוגניטיביים: מצב מנוחה (בו המטופלים לא עושים כלום) ומצב של משימה (צפייה בסרט).

מטרת הפרויקט:

יצירת מטריצת קישוריות מוחית באמצעות מספר שיטות אנליזה ובחינה של זיהוי שני המצבים מתוך תבניות הקישוריות באמצעות אלגוריתמים של למידת מכונה לצורך הפרדה אופטימלית ביניהם.

תכולת הפרויקט:

עיבוד מקדים של הנתונים, יצירת מטריצת קישוריות מתוך הסיגנלים באמצעות מספר שיטות אנליזה, מציאת המודל הרלוונטי בלמידת מכונה אשר יתאים לנתונים והחלת המודל על הנתונים. השוואת תוצאות המודלים של מטריצות הקישוריות השונות.

קורסי קדם:

עיבוד אותות, מבוא ללמידת מכונה

דרישות נוספות:

ידע בתחום מדעי המח. קורס מיפוי תפקודי של המוח, רשתות נוירונים

מקורות:

  1. Julia Berezutskaya and Mariska J. Vansteensel and Erik J. Aarnoutse and Zachary V. Freudenburg and Giovanni Piantoni and Mariana P. Branco and Nick F. Ramsey (2022). Open multimodal iEEG-fMRI dataset from naturalistic stimulation with a short audiovisual film. OpenNeuro. [Dataset] doi: doi:10.18112/openneuro.ds003688.v1.0.7
  2. Bastos AM, Schoffelen JM. A Tutorial Review of Functional Connectivity Analysis Methods and Their Interpretational Pitfalls. Front Syst Neurosci. 2016 Jan 8;9:175. doi: 10.3389/fnsys.2015.00175. PMID: 26778976; PMCID: PMC4705224.
122 Characterizing eye movement metrics in visual load conditions
אפיון מדדים של תנועות עיניים בתנאיי עומס ויזואלי
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

מכשיר עוקב עיניים הינו ציוד טכנולוגי מתקדם שמיועד למדידה ולרישום של תנועות העיניים. המכשיר מודד תנועות עיניים ברזולוציה גבוהה ובין השאר יכול לשמש להבנה של האופן שבו אנו פועלים בסביבה ויזואלית והמידע עליו מסתכלים. בעולם שבו הסביבה הויזואלית עמוסה ועשירה, שימוש בעוקב עיניים יכול לשמש להבנה של עומס קוגניטיבי, שהינו אחד החסמים העיקריים בתפעול מערכות שונות ונמצא כיום במרכז העניין של חברות רבות בתעשייה. בנוסף, שימוש בתנועות עיניים מהווה בסיס לפיתוחים של ממשק-מוח מכונה שבהן מערכות מופעלות ללא מגע על בסיס תנועות עיניים.

תנועות עיניים הן היכולת של העין לבצע תנועה לכיוונים שונים ע"י השרירים החיצוניים של העין. תנועות העיניים מתחלקות לכמה סוגים : saccade – תנועה רצונית ומהירה בעיקר כדי לשנות מבט ולהתביית על עצם, micro saccade, רפלקסים ותנודות נוספות הקשורות לתנועה של האובייקט עליו אנחנו מביטים או תזוזת הראש שלנו.

בפרויקט זה נבצע ניסוי הכולל זיהוי תנועות עיניים במטרה לחשב ולאפיין את תנועות העין והאופן שבו הן מושפעות מתנאי ניסוי שונים.

מטרת הפרויקט:

מטרת הפרויקט היא בניית פרדיגמות ניסוייות ממוחשבות ויישומן עם מכשיר עוקב עיניים חדשני ומתקדם בניסויים עם נבדקים במטרה להבין טוב יותר את הקשר שבין פרטים פיזיים כגון גודל האובייקטים, מיקומם במרחב והעומס הויזואלי לתנועות עיניים. תוצאות אלו בעלות חשיבות מאחר ומהוות את הבסיס לפיתוח מערכות מתקדמות שיאפשרו מדידה של עומס קוגניטיבי במערכות מסחריות וממשקי מוח-מכונה.

תכולת הפרויקט:

עבודת הסטודנטים תכלול : קריאת ספרות , כתיבת פרדיגמה ניסויית, שימוש במכשיר עוקב עיניים מתקדם, ביצוע ניסוי עם נבדקים, ניתוח נתונים ושימוש במודלים סטטיסטים.

קורסי קדם:

ניתוח אותות

מקורות:

  1. https://brill.com/view/journals/sp/25/5/article-p449_5.xml
  2. https://d-nb.info/1128594803/34#:~:text=Through%20the%20tracking%20of%2…
     
123 Characterizing connectivity of brain electrical activity across multiple sensors using phase-amplitude coupling
אפיון קישוריות של פעילות מוחית חשמלית מסנסורים מרובים באמצעות צימוד משרעת-פאזה
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

אלקטרוקורטיקוגרפיה (ECOG) היא טכנולוגיה מבטיחה המקליטה פעילות מוחית חשמלית באמצעות אלקטרודות ייעודיות המונחות ישירות על פני המוח החשוף. לטכניקה זו נתונים ייחודים עם רזולוציה זמנית ומרחבית גבוהה ועל כן משמשת בין השאר ככלי קליני שימושי למיפוי תפקוד המוח אצל אוכלוסיות קליניות שונות. במחקרים קודמים הראינו כי נתוני ECOG, הנאספו ממספר סנסורים במקביל במהלך ניתוח מוח בערות של מטופלים עם גידול מוחי, מכילים מידע הקשור לרשתות מוחיות תפקודיות. עם זאת, דפוסי הקישוריות בין הפעילות המוחית שנמדדה בסנסורים השונים נשארו לא ידועות. בפרויקט זה נבחן דפוסי קישוריות מוחית באמצעות ניתוח האותות המוחיים ושימוש במדד של צימוד משרעת-פאזה (Phase-Amplitude Coupling, PAC) .

צימוד משרעת-פאזה מתאר את הקשר שבין שתי רצועות תדירות. PAC נצפה בעבר באיזורי מוח שונים ונמצא כקשור לתפקודים קוגניטיביים שונים כגון קבלת החלטות וזכרון, כמו גם למדדים אחרים של פעילות מוחית כגון fMRI.

בפרויקט זה , נתמקד בשיטות השונות לחישוב PAC עבור נתוני ECOG ונאפיין את האופן שבו מדד זה משתנה במשימות קוגניטיביות שונות. לחקירת דפוסי קישוריות ברמות המוח ואיזורי המוח השונים יש חשיבות קלינית לצורך פיתוח כלים רפואיים תומכי החלטה והבנה טובה יותר של המנגנונים העומדים בבסיס מחלות שונות.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בשיטות החישוב השונות ל PAC עבור נתוני ECOG של מטופלים עם גידול מוחי שהוקלטו במהלך ניתוח מוח בערות. הפרויקט יכלול יצירת סביבה נוחה ונגישה להצגת התוצאות השונות והשוואה בין המשימות השונות שביצעו המטופלים. ניתוח התוצאות יקדם אותנו במטרה להבין את דפוסי הקישוריות באיזורי המוח השונים.

תכולת הפרויקט:

עבודת הסטודנטים תכלול : קריאת ספרות , כתיבת קוד , ניתוח נתונים ושימוש במודלים סטטיסטים. ייפתחו כלים בעיבוד אותות והצגת נתונים.

קורסי קדם:

ניתוח אותות

דרישות נוספות:

מדעי נתונים ביולוגיים , כל ידע בתחום מדעי המוח.

מקורות:

  1. https://doi.org/10.1016/j.cortex.2022.12.007
  2. https://doi.org/10.1016/j.neuroimage.2016.08.036
  3. https://doi.org/10.1126/science.1128115
     
210 Ring Oscillator Based Amplifier for Sensor Applications (Daniel)
מגבר המבוסס על מתנד-טבעת עבור יישומי חיישנים
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

Analog Amplifiers are complex circuits which require a lot of hand-tuning and are not scalable. Recently, a new type of amplifier has emerged which is much more “digital”. This is called a “Ring Ampifier” which essentially uses a 3 stage ring oscillator as an amplifier. It can be much more compact and simpler than a corresponding analog circuit. In principle, the basic elements of the amplifiers are CMOS inverters, not current sources or analog drivers. This amplifier can be much faster and lower power than conventional analog amplifiers.

מטרת הפרויקט:

In this project you will design a ring amplifier and use it in an application such as analog-to-digital conversion or voltage regulation. These are generally application which are left to analog circuits, so this amplifier will make these circuits more “digital”. The ring amplifier will be utilized in one of these applications.

תכולת הפרויקט:

You will need to learn the theory and then implement the circuit in 65nm CMOS. An application will be chosen for the ring amplifier circuit. The schematics will be prepared in Virtuoso and simulated. Layout and post-layout simulations will be conducted to verify the circuit performance. Since there are several applications here, there may be more than one project available.

קורסי קדם:

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

דרישות נוספות:

a lot of motivation to work hard!!!

מקורות:

  1. B. Hershberg, “Ring Amplifiers for Switched Capacitor Circuits”, IEEE JOURNAL OF SOLID-STATE CIRCUITS, VOL. 47, NO. 12, DECEMBER 2012, pp. 2928.
  2. Jun-Eun Park, et. al. “A 0.4-to-1.2V 0.0057mm2 55fs-Transient-FoM Ring-Amplifier-Based Low-Dropout Regulator with Replica-Based PSR Enhancement” ISSCC 2020 Digest of Technical Papers, pp. 492-3.
212 Analog to Digital Converter based the SAR (Successive Approximation Register) Algorithm
ממיר אנלוג לדיגיטל מבוסס על מדולטור של SAR
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

Analog to digital converters are used to transfer real-world information, which is analog, to the digital domain for further signal processing. This is an extremely important function which is prevalent in all computer systems. There is a constant battle to improve performance, lower power, increase bandwidth and other performance parameters.

מטרת הפרויקט:

In this project you will design a highly compact analog to digital converter (ADC) using the SAR (Successive Approximation Register). The SAR topology is one of the most attractive for low power and compact ADC applications. It is also a relatively simple architecture conceptually and lends itself to many types of optimizations to improve accuracy, reduce area and enable low power operation. You will need to learn the theory and then implement the circuit in 65nm CMOS. The SAR ADC includes both analog and digital blocks, which will allow you to develop skills in both.

תכולת הפרויקט:

In this project the student will design a SAR ADC using digital and analog techniques. The schematics will be prepared in Virtuoso and simulated. Layout and post-layout simulations will be conducted to verify the circuit performance.

קורסי קדם:

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

דרישות נוספות:

a lot of motivation!!!

מקורות:

  1. Analog Integrated Circuit Design – Tony Chan Carusone, David Johns and Kenneth Martin – John Wiley Publishers. Chapters 16 and 17
  2. “A compact 10-b SAR ADC with unit-length capacitors and a passive FIR filter” P Harpe IEEE Journal of Solid-State Circuits 54 (3), 636-645
213 Frequency Locked Loop Circuit for High Frequency IC Clocks
מעגל נעילת תדר
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

A stable clock source is one of the most important requirements for integrated circuit designs. Fully integrated on-chip generation of a clock source has become more important as system-on-chip designs have proliferated. More specifically, wireless sensor nodes for Internet-of-Things (IoT) applications have a small form factor and limited board space, making it difficult to integrate crystal oscillators, especially for implantable applications. An on-chip oscillator requires low power consumption and energy per cycle, frequency stability over varying ambient temperatures, long-term stability, and low supply voltage sensitivity. Low oscillator power consumption is important in a system with low activity where the standby current dominates the total power consumption, as is the case with a wake-up timer or a sleep mode timer. An oscillator must also show good frequency stability and resistance to temperature supply voltage and random variations. At low voltage and low power, this becomes even more challenging.

מטרת הפרויקט:

In this project, several novel techniques will be utilized to design an FLL. These techniques involve a combination of analog, digital and device physics concepts. During this work, you will design a novel FLL, all of which will be implemented in a Si IC.

תכולת הפרויקט:

In this project the student will design an FLL using digital and analog techniques. The schematics will be prepared in Virtuoso and simulated. Layout and post-layout simulations will be conducted to verify the circuit performance. This project will include a tapeout and Silicon measurements. The successful conclusion of this project may lead to an academic publication.

קורסי קדם:

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

דרישות נוספות:

a lot of motivation to work hard!!!

מקורות:

  1. M. Choi, T. Jang, S. Bang, Y. Shi, D. Blaauw and D. Sylvester, "A 110 nW Resistive Frequency Locked On-Chip Oscillator with 34.3 ppm/°C Temperature Stability for System-on-Chip Designs," in IEEE Journal of Solid-State Circuits, vol. 51, no. 9, pp. 2106-2118, Sept. 2016, doi: 10.1109/JSSC.2016.2586178.
  2. A. Djemouai, M. A. Sawan and M. Slamani, "New frequency-locked loop based on CMOS frequency-to-voltage converter: design and implementation," in IEEE Transactions on Circuits and Systems II: Analog and Digital Signal Processing, vol. 48, no. 5, pp. 441-449, May 2001, doi: 10.1109/82.938354.
  3. D. S. Truesdell, A. Dissanayake and B. H. Calhoun, "A 0.6-V 44.6-fJ/Cycle Energy-Optimized Frequency-Locked Loop in 65-nm CMOS With 20.3-ppm/°C Stability," in IEEE Solid-State Circuits Letters, vol. 2, no. 10, pp. 223-226, Oct. 2019, doi: 10.1109/LSSC.2019.2946767.
214 Read out circuitry for a GC-eDRAM memory array
בניית מערכת קריאה למערך זכרון מסוג GC-eDRAM
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

זכרונות מוטמעים מהווים חלק משמעותי וחשוב ממערכות SOC כיום, ולכן יש צורך לייצר מערכות חסכוניות יותר בשטח ובהספק. כרגע ארכיטקטורת הזכרון השולט בשוק הינו הSRAM המורכב ממינימום של 6T (six transistors). ארכיטקטורת הGC-eDRAM מוצג כאלטרנטיבה אפשרית לSRAM כיוון שהיא בנויה מ2-4T ולכן יעילה יותר בשטח. החסרון המשמעותי בזכרון זה היא תכונת הדינמיות שלה, שמחייבת פעולות רענון מחזוריות בכדי לשמר את המידע. מטרת הפרוייקט היא לתכנן וליצור מערכת קריאה מתוחכמת שתאפשר לקורא את המידע האגור בזכרון בצורה מדויקת ובכך להאריך את הזמן הנצרך בין מחזורי רענון.

מטרת הפרויקט:

בפרוייקט תתכנו ארכיטקטורה שלמה של מערכת קריאה מזכרון, הכולל מעגל sense-amplifier, מעגלים אנלוגים נוספים התומכים בSA ומעגלים דיגיטלים התומכים בקריאה. תתכן אפשרות להגיע אף לשלב הלייאוט במעגלים, ואפילו לייצור צ'יפ ממש.

תכולת בפרויקט:

תכנון וייצור מעגלים אנלוגים בוירטואוזו (החל מהסכמה ועד ללייאוט)
כתיבת מעגלים דיגיטלים בורילוג

קורסי קדם:

  • 83303 אלקטרוניקה לינארית – חובה
  • 83325 מעבדה למעגלים אנלוגיים – חובה
  • 83308 מעגלים אלקטרוניים ספרתיים – חובה
  • 83315 מעבדה מעגלים אלקטרוניים ספרתיים – חובה
  • 83611 מעגלים משולבים אנלוגיים – מומלץ


דרישות נוספות:

a lot of motivation

מקורות:

64-kB 65-nm GC-eDRAM With Half-Select Support and Parallel Refresh Technique O Harel, EN Casarrubias, M Eggimann, F Gürkaynak, L Benini, A Teman, ...
IEEE Solid-State Circuits Letters 5, 170-173

303 Human Intercation
אינטרקציה אנושית
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

במהלך הפרויקט נמדוד אינטרקציה אנושית בין 16 נגני כינור. נבנה מערכת אוטומטית מבוססת AI לזיהוי איזה נגן עוקב אחרי איזה נגן. נשנה את הקישוריות בין הנגנים ואת הרשת שנוצרת בינהם. נוסיף השהייה בין הנגנים כדי לגרום לתסכול. ונמדוד איזה נגן מוביל ואיזה נגן מובל. באמצעות המערכת נחקור איך נוצרים מנהיגים והאם אפשר לשלוט במי נוצר מנהיג רק על ידי שינוי פרמטרים של הרשת האנושית

מטרת הפרויקט:

מערכת אוטומטית המסוגלת בזמן אמת לזהות איזה נגן כינור עוקב אחרי איזה נגן

תכולת הפרויקט:

בנית מערכת AI לזיהוי נגינת כינור וזיהוי מי עוקב אחרי מי

קורסי קדם:

עיבוד אותות,

דרישות נוספות:

מקורות:

Shahal, S., Wurzberg, A., Sibony, I. et al. Synchronization of complex human networks. Nat Commun 11, 3854 (2020). https://doi.org/10.1038/s41467-020-17540-7
 

304 Project in Biomedical Optics
פרויקט באופטיקה ביו-רפואית
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

נדרש ידע באופטיקה, עיבוד תמונה ואותות ומומלץ גם ידע במערכות לומדות

מטרת הפרויקט:

הסטודנטים ייחשפו לנושאי המחקר של המעבדה וילמדו איך לתכנן ניסויים, לבנות אותם ולבצע אנליזה לנתונים.

תכולת הפרויקט:

טרם נקבע

קורסי קדם:

  • קורסים באופטיקה
  • קורסים בעיבוד אותות בדגש על עיבוד תמונות
  • קורסים במערכות לומדות מומלץ

מקורות:

הפרויקט מבוסס על טכנולוגית SCOC ו DCS.

308 Incorporation of AI and ML algorithms in remote biomedical sensing
שילוב יכולות של בינה מלאכותית ואלגוריתמי לימוד מכונה בחישה ביו רפואית
מנחה:
אחריות אקדמית:

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:

אלגוריתמיקה חדשה מבוססת למידת מכונה לניתוח תבניות פיזור אור לייזר

תכולת הפרויקט:

פיתוח אלגוריתמי בינה מלאכותית ואלגוריתמי לימוד מכונה בחישה ביו רפואית

קורסי קדם:

קורס למידת מכונה בסיסי

מקורות:

Zeev Kalyuzhner, Sergey Agdarov, Aviya Bennett, Yafim Beiderman, and Zeev Zalevsky, "Remote photonic sensing of blood oxygen saturation via tracking of anomalies in micro-saccades patterns," Opt. Express 29, 3386-3394 (2021)

312 Simulation of Quantum Sensors
סימולציה של סנסורים קוונטים
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

העולם הקוונטי, ובפרט אופטיקה קוונטית, מאפשרים לשפר את הרגישות של סנסורים קיימים תוך שימוש במצבים קוונטיים של אור. אנו בוחנים יישומים של מצבים כאלה לטובת גילוי עצמים מרוחקים ומציאת המרחק אליהם באופן מדויק. הפרויקט יעמיק את הניתוח הקיים בקבוצה שלנו ויתמקד בסנסורי דמויי מכ"ם במטרה לכמת את היתרון שניתן להשיג תוך שימוש בטכנולוגיות קוונטיות של אור.

מטרת הפרויקט:

ההישג הצפוי הוא ניתוח מפורט של ביצועי סנסור קוונטי שמאפשר לגלות מטרות ולמדוד במדויק את המרחק אליהן. התוצר הסופי יהיה סימולציה מפורטת שכוללת מגוון פרמטרים המתייחסים למקור האור הקוונטי ולתכונות האובייקט אותו מעוניינים לגלות במטרה לאמוד את השיפור הצפוי בעולם הקוונטי ביחס לעולם הקלאסי.

תכולת הפרויקט:

הסטודנטים יכירו את התיאוריה הבסיסית עליה מסתמך הסנסור שבנדון וכן את הסימולציה הקיימת (בתוכנת מתמטיקה). הסטודנטים יעבו את הסימולציה הנוכחית וינתחו אפשרויות חדשות לשימוש במצבים דחוסים של אור כמו גם תוספת של chirp וכיצד אלו מושפעים מרעש. לבסוף, יכמתו הסטודנטים את הביצועים של הסנסור במונחים של רגישות (או SNR) ורזולוציה בטווח.

קורסי קדם:

מכניקה קוונטית שימושית, מבוא ללייזרים. כמו כן, מומלץ לקחת במקביל את הקורס חישוב קוונטי.

מקורות:

  1. https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.127.173603
  2. https://opg.optica.org/oe/fulltext.cfm?uri=oe-29-25-41282&id=465502
321 Multi-Channel system for measuring cerebral blood flow
מערכת רב ערוצית למדידת זרימת דם במח
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

במעבדה לנוירופוטוניקה, עוסקים במדידות של מטבוליזם וזרימת דם במח באמצעים אופטיים, בשיטות של DCS , SCOS , Interferometric speckle contrast
גם מהכיוון הטכנולוגי וגם מהכיוון הפונקציונלי.

במהלך הפרויקט, הסטודנטים יבנו ויאפיינו מערכת אופטית עם רגישות גבוהה לניטור זרימות דם מהמוח ויעבדו את האות הנקלט לצורך אבחון וניטור פרמטרים ניורווסקולריים

מטרת הפרויקט:

מדידה סימולטנית של מהירות זרימת דם יחסית באיזורים שונים במח תוך כדי משימות שונות של הנבדקים - למעשה להבין איך נראית תגובה פונקציונלית של הפעילות המוחית במערכת SCOS

תכולת הפרויקט:

השתתפות בבניית המערכת - האופטיקה, המכניקה והאלגוריתם, מציאת הפרמטרים האופטימליים למדידה, ביצוע מדידות על נבדקים, עיבוד נתונים , ריכוז תוצאות. וכמובן דוח מסכם.

קורסי קדם:

מבוא לאופטיקה

דרישות נוספות:

גלאים, עיבוד אותות

מקורות:

https://opg.optica.org/ol/abstract.cfm?uri=ol-48-6-1427

324 Remote biomedical sensing via AI and ML algorithmincs
חישה ביורפואית מרחוק מבוססת למידת מכונה ובינה מלאכותית
מנחה:
אחריות אקדמית:

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:

חישה של פרמטרים ביו רפואיים מרחוק

תכולת הפרויקט:

איסוף דאטה בניסוי ביו רפואי וניתוחו בעזרת מחשב

קורסי קדם:

מבוא לאופטיקה

דרישות נוספות:

למידת מכונה

מקורות:

  1. Z. Kalyuzhner, S. Agdarov, A. Bennett, Y. Beiderman and Z. Zalevsky, “Remote photonic sensing of blood oxygen saturation via tracking of anomalies in micro-saccades patterns,” Opt. Exp..
504 Optimal network localization
איכון רשתות אופטימלי
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

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

מטרת הפרויקט:

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

תכולת הפרויקט:

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

קורסי קדם:

נושאים מתקדמים בתקשורת (במקביל לפרויקט)
מומלץ SSP1

מקורות:

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

505 Deep learning optimization of relay networks – Complex learning
שימוש בכלי למידת מכונה לאופטמיזציה של רשת תקשורת עם ממסרים – הרחבה ללמידה מרוכבת
מנחה:
אחריות אקדמית:

הרקע לפרויקט:

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

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

מטרת הפרויקט:

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

בפרויקט זה נרחיב את חזית הידע בכך שנתמקד בתקשורת בפס בסיס, ולכן כל הלמידה תתבצע במספרים מרוכבים.

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

תכולת הפרויקט:

לימוד של רשתות תקשורת וכלי למידת מכונה, מימוש הרשת בפייתון, מימוש של אלגוריתם למידה שיאפשר אופטימיזציה של הרשת. ביצוע האופטימיזציה וניתוח התוצאות.

קורסי קדם:

למידת מכונה (במקביל לפרויקט)

מקורות:

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

804 Analysis of Biological Signatures Using Machine Learning
בחינת יחודיות וחזרתיות של חתימות ממדידות ביולוגיות\ביוכימיות בשימוש למידת מכונה
מנחה:
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
למידת מכונה עמוקה אדישה לייצוג דיסקרטי של משטחים תלת ממדיים
מנחה:
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
שקילות קונפורמית דיסקרטית למשטחים תלת ממדיים
מנחה:
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
בדיקת הוגנות במודלים גנרטיביים והשוואה בין שפות שונות במודלי שפה
מנחה:
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
קואורדינטות סבירות מקסימלית עבור דפורמציה של תמונות
מנחה:
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