| KEYWORD |
Microelectronics
Tecniche di compensazione della deriva dei sensori per implementazione su microprocessori neurali
Parole chiave COMPENSANZIONE DRIFT, DRIFT SENSORI, MACHINE LEARNING, ARTIFICIAL NEURAL NETWORKS, MICROPROCESSORE NEURALE
Riferimenti LUCIANO LAVAGNO, MIHAI TEODOR LAZARESCU
Riferimenti esterni Ing. Roberto Simmarano dell'azienda Sensichips s.r.l.
Gruppi di ricerca Microelectronics, Sensing and processing
Tipo tesi AZIENDALE
Descrizione Le letture dei sensori possono subire derive nel tempo a causa di contaminazione chimica o fisica e usura. Queste derive influiscono sulla capacità dei sensori di rilevare l'analita d’interesse con precisione e accuratezza.
La tesi si propone di esaminare la letteratura esistente sui metodi di compensazione delle derive e di analizzare le cause e gli effetti delle derive sulle letture dei sensori dell'azienda. Successivamente, verranno analizzate e testate le tecniche di apprendimento automatico e altre tecniche per correggere le derive dei sensori utilizzando dati offline dei sensori. L'analisi e la selezione degli algoritmi terranno conto delle risorse limitate disponibili nel microprocessore neurale proprietario dell'azienda.
La tesi ha un elevato impatto in quanto punta a migliorare la durata e la funzionalità dei sensori con tecniche applicabili a vari tipi di sensori.
Obiettivi: migliorare la capacità di sensori di rilevare l'analita con precisione e accuratezza mediante tecniche correttive in loco per ridurre le derive dei sensori e valutare la loro compatibilità con i vincoli del microprocessore neurale dell'azienda.
Vedi anche http://www.sensichips.com/
Conoscenze richieste Non sono richieste competenze specifiche.
Le competenze utili comprendono la tecnologia dei sensori (principi e applicazioni, cause ed effetti della deriva dei sensori), l'analisi dei dati (tecniche statistiche, identificazione di modelli e tendenze di deriva, valutazione dell'accuratezza e della precisione), le basi dell'apprendimento automatico, la microelettronica (architetture dei microprocessori).
Note La tesi sarà svolta in collaborazione con Sensichips s.r.l., specializzata nello sviluppo di microsensori di apprendimento altamente miniaturizzati. I suoi sensori sono basati su un'innovativa piattaforma microelettronica multi-sensore con nome in codice SENIPLUS.
Scadenza validita proposta 20/11/2024
PROPONI LA TUA CANDIDATURA