Projects

Ongoing Research Projects

Here are the research projects we are currently working on:

Project	Description
Desenvolvimento de Redes Neurais Eficientes Energeticamente para Análise de Séries Temporais no Contexto de Gestão de Redes Elétricas Inteligentes	(i) Elaborar redes neurais eficientes energeticamente para análise de séries temporais no contexto de planejamento energético em redes elétricas inteligentes; (ii) empregar arquiteturas robustas, como redes recorrentes e transformers, para garantir uma boa performance nas tarefas de predição de produção e consumo energético, classificação de perfil de carga e detecção de anomalias no grid; (iii) utilizar técnicas de aceleração do treinamento, compactação da topologia e reuso eficiente dos modelos já treinados para alcançar eficiência energética; (iv) desenvolver arquiteturas híbridas entre redes neurais deep e modelos sem peso, visando obter um equilíbrio entre acurácia preditiva, eficiência energética e baixo custo computacional; (v) avaliar os modelos propostos em datasets consolidados na literatura e em dados históricos coletados no Instituto de Ciência e Tecnologia de Sorocaba da Unesp; (vi) medir a eficiência energética dos modelos por meio de métricas usuais da área de green AI, como latência e throughput em GPU, e desenvolver uma métrica específica para avaliar a economia de energia proporcionada pelo reuso de modelos previamente treinados em diferentes datasets e tarefas, considerando sua performance e custo computacional.
Escalonamento Eficiente de Tarefas de Análise da Qualidade de Dados: Potencializando a Eficiência Energética na Gestão de Espaços Inteligentes	(i) Desenvolver uma abordagem de escalonamento eficiente de tarefas de análise da qualidade de dados em espaços inteligentes - fazendas inteligentes, cidades inteligentes, casas inteligentes, entre outros; (ii) Desenvolver uma abordagem eficiente para medir o gasto energético no contexto de planejamento do consumo energético das infraestruturas de espaços inteligentes; (iii) Utilizar técnicas melhorar a qualidade dos dados em espaços inteligentes melhorando o consumo energético das redes; (iv) Desenvolver arquiteturas de espaços inteligentes com gestão da qualidade dos dados e de consumo de energia; (v) Avaliar o uso de técnicas de para avaliar e melhorar a qualidade dos dados coletados por espaços inteligentes enquanto observando o gasto energético das infraestruturas de espaços inteligentes; (vi) Desenvolver um arcabouço de técnicas e escalonamento para operacionalizar espaços inteligentes procurando a melhor qualidade dos dados com o melhor consumo de energia.
Memórias Associativas baseadas em Redes Neurais Sem Peso para Computação Hiperdi- mensional	A Computação Hiperdimensional (do inglês Hyperdimensional Computing, HDC) usa vetores binários de altas dimensões, chamados de hipervetores, para realizar tarefas cognitivas. Devido à sua simplicidade e paralelismo maciço, a HDC pode ser altamente eficiente em termos de energia e adequada para plataformas com recursos limitados. No entanto, ao negociar a ortogonalidade com eficiência, os hipervetores podem usar dezenas de milhares de dimensões. Na tarefa de classificação, cada classe é representada como um hipervetor construído durante a fase de treinamento que resume as características extraídas dos dados de treinamento. Após a fase de treinamento, os hipervetores das classes são armazenados numa memória associativa. A fase de inferência consiste em gerar um hipervetor do dado de teste e comparar a similidaridade dele com todos os hipervetores das classes. Tipicamente, cada hipervetor armazenado na memória associativa possui 10.000 dimensões e a comparação de similaridade dos hipervetores considera todas as dimensões. Por outro lado, Redes Neurais sem Peso (RNSP) são Redes Neurais Artificiais baseadas em memória RAM amplamente exploradas como solução para aplicações de reconhecimento de padrões em sistemas embarcados com requisitos de processamento em tempo real. Recentemente, foi estabelecido uma relação fundamental entre RNSP e Bloom filter, apresentando uma nova estrutura unificada que engloba os dois, no qual uma RNSP pode ser enquadrada como um Bloom filter segmentado por memória. O objetivo deste projeto é propor um conjunto de novas técnicas para construir modelos de HDC que usam hipervetores binários de dimensões que são ordens de magnitude menores através do uso de modelos de RNSP e Bloom Filter como memória associativa.