| KEYWORD |
Apprendimento incrementale auto-supervisionato per microsensori sul campo
Parole chiave APPRENDIMENTO AUTO-SUPERVISIONATO, APPRENDIMENTO INCREMENTALE, APPRENDIMENTO ONLINE, 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 I microsensori possono misurare la composizione di gas e liquidi, oltre ad altri fenomeni fisici, e sono ampiamente utilizzati in varie applicazioni, come il monitoraggio ambientale, l'automazione industriale, la sanità e la sicurezza. Sono in grado di fornire dati precisi e affidabili, rendendoli preziosi per vari settori, ma l'addestramento di modelli di apprendimento automatico esclusivamente in ambienti controllati di laboratorio potrebbe non considerare la diversità e la complessità delle condizioni reali sul campo, con conseguenti prestazioni non ottimali e una minore precisione. Per ovviare a questo problema, i microsensori dovrebbero adattarsi e migliorare la loro elaborazione dei dati in modo autonomo sul campo, senza l'intervento umano o supervisione.
L'obiettivo di questa tesi è progettare e testare tecniche di apprendimento incrementale non supervisionato per i microsensori, consentendo loro di apprendere in modo auto-supervisionato dai flussi di dati sul campo, evitando al contempo l'oblio catastrofico (cioè senza perdere le informazioni apprese al momento dell'apprendimento di nuove informazioni, che può compromettere gravemente le prestazioni e la funzionalità). Normalmente, sul campo non è possibile alcun intervento o supervisione esterna, umana o meccanica.
Le tecniche proposte saranno basate su reti neurali artificiali, con un occhio di riguardo alla compatibilità con il microprocessore neurale proprietario sviluppato da Sensichips s.r.l., utilizzando i framework MATLAB o Python, poi eventualmente integrati con l'ambiente Weka compatibile con la suite SLM-Studio dell'azienda per la verifica con i dati sul campo. Le prestazioni degli algoritmi saranno valutate utilizzando modelli di classificazione, dati di addestramento e di test forniti dall'azienda, che includono scenari di deriva dei sensori. Il risultato atteso è il miglioramento dell'accuratezza, della robustezza e dell'adattabilità dei microsensori sul campo, rispetto ai modelli iniziali addestrati in laboratorio.
Vedi anche http://www.sensichips.com/
Conoscenze richieste Non sono richieste competenze specifiche.
Competenze utili comprendono la tecnologia dei sensori (principi e applicazioni, cause ed effetti della deriva dei sensori), l'analisi dei dati (tecniche statistiche, valutazione dell'accuratezza e della precisione), le basi dell'apprendimento automatico e 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 24/11/2024
PROPONI LA TUA CANDIDATURA