Titel Promotor Affiliaties "Korte inhoud" "Versnelling van machine learning op heterogene platforms" "Josep Balasch Masoliver" "Dynamische Systemen, Signaalverwerking en Gegevensanalyse (STADIUS)" "Vooruitgang op het gebied van biomedische sensoren, wearables en medische implantaten, in combinatie met state-of-the-art algoritmen van signaalverwerking, machine learning en kunstmatige intelligentie, transformeren het zorglandschap. Systemen die rond deze technologieën zijn gebouwd, maken gezondheidsmonitoring op afstand mogelijk, verbeteren de patiëntenzorg, detecteren levensbedreigende aandoeningen of voorspellen zelfs gezondheidsgebeurtenissen. Maar de volledige integratie van dergelijke technologieën in embedded/edge-platforms brengt verschillende uitdagingen met zich mee: edge-platforms zijn van nature beperkt in hulpbronnen en energie/energiebeperkt, terwijl algoritmen voor gegevensverwerking reken- en geheugenintensief zijn. Het managen van deze afweging vereist onderzoek naar efficiënte implementatiemethoden die zijn afgestemd op de systeemvereisten. In deze context heeft de voorgestelde PhD-vacature tot doel om digitale architecturen te onderzoeken en te ontwikkelen die lokale dataverwerking op edge nodes ondersteunen. Het idee is om gebruik te maken van moderne heterogene platforms die embedded processorcores (software) combineren met herconfigureerbare FPGA-logica (hardware). De flexibiliteit van dergelijke platforms biedt betere ondersteuning voor evoluerende algoritmen, verminderde numerieke precisie of aangepaste planningstechnieken, die nodig zijn om de implementatie af te stemmen op de systeemvereisten. Als onderdeel van het werk zal de kandidaat moderne trends in FPGA-technologieën onderzoeken die de stroom voor het implementeren van complexe machine learning-kaders vergemakkelijken door op hogere abstractieniveaus te werken." "Deep learning algoritmes voor het automatisch grijpen van transparante objecten met robots." "Engineering Materials and Applications, Guangdong University of Technology" "Vanwege de eigenschap van reflectiviteit en breking zijn transparante objecten moeilijk waar te nemen door RGB-D-camera's, zoals Intel RealSense, Microsoft Kinect, enz. Bestaande onderzoeken naar transparante objectdetectie kunnen in twee typen worden verdeeld: traditionele methoden en diep leren gebaseerde methodes. Traditionele methoden, bijv. IR-stereo, lichtveldfotografie, gestructureerde lichtdetectie en cross-modale stereo, deze methoden berusten voornamelijk op fysieke detectie, wat enorme kosten met zich meebrengt voor het ontwerp van een uitgebreide visuele module en moeilijk te promoten is in verschillende scènes . In tegenstelling tot de traditionele methoden, verminderen op diep leren gebaseerde methoden de afhankelijkheid van specifieke fysieke apparatuur en kunnen ze beter in verschillende scenario's worden toegepast. Hoewel er veel verschillende manieren zijn om transparante objecten op een deep learning-manier te detecteren, zijn de meeste beperkt door verschillende aspecten. Sajjan et al. schatte de 3D-geometrie van transparante objecten op basis van een enkele RGB-D-afbeelding volgens de voorspelde diepterepresentaties en Cholesky-optimalisatie, die lijdt aan enorme rekenkosten. Kalra et al. stelde een deep learning-raamwerk voor voor transparante objectsegmentatie door de gegevens te verwerken die zijn verzameld van polarisatiecamera's. Het kon echter geen veelbelovende resultaten behalen op een echte robot om de transparante objecten vast te pakken. Om deze problemen op te lossen, zal ik in dit onderzoek gebruik maken van meerdere diepgaande leermethoden om met deze taken om te gaan, die als volgt in vier delen kunnen worden verdeeld: 1. De voorbewerking van puntenwolkgegevens. Aangezien het trainingsproces wordt uitgevoerd op synthetische objecten en het testproces wordt uitgevoerd op objecten uit de echte wereld, is het noodzakelijk om gemeenschappelijke kenmerken uit de puntenwolkgegevens te extraheren, zoals RGB-informatie, normaal oppervlak, transparant objectmasker en occlusiegrens enzovoort. op. 2. Functie-extractie. Na het verkrijgen van de verschillende gemeenschappelijke kenmerken uit deel één, zijn er verschillende manieren om met deze kenmerken om te gaan. Voor de 2D-functies, zoals RGB-informatie, transparante objectmaskers en occlusiebegrenzing, gebruiken we bijvoorbeeld ResNet101 en DenseNet om dichte functies te extraheren. Voor 3D-kenmerken, zoals normaal- en dieptekaarten van het oppervlak, zouden op transformator gebaseerde methoden een betere keuze zijn om effectieve kenmerken te extraheren. 3. De introductie van Generative Adversarial Network (GAN). Volgens eerder werk merken we dat de grenzen van de generatieve puntenwolk vervagen, wat leidt tot niet-ideale resultaten voor de algehele voorspelling. Daarom zullen we in dit onderzoek de op GAN gebaseerde methode introduceren in samenwerking met de Sobel-operator om de prestaties van de algehele resultaten te verbeteren. 4. Robotuitvoering is het laatste onderdeel dat nodig is om onze voorgestelde methode te verifiëren, we bereiden ons voor om onze methode uit te voeren op een real-world robot voor uitvoering." "Naar een mechanistisch begrip van het ontstaan, de evolutie, het verwerven en het verwerken van mensachtige talen in populaties van autonome agenten" "Paul Van Eecke" "Informatica en Toegepaste Informatica" "De overkoepelende doelstelling van het onderzoeksprogramma dat ik voorstel, betreft het verwerven van een diep en nauwkeurig begrip van de computationele mechanismes die ten grondslag liggen aan het ontstaan, de evolutie, het verwerven en het verwerken van mensachtige talen in populaties van autonome agenten. Het ontrafelen en computationeel modelleren van deze mechanismen zal niet alleen bijdragen aan een beter begrip van hoe menselijke talen functioneren, maar zal ons ook in staat stellen om echt intelligente autonome agenten uit te rusten met de nodige technieken om samen conceptuele en linguïstische structuren op te bouwen die geschikt zijn voor interactie met mensen, en met elkaar, in hun natuurlijke omgeving. Dit onderzoeksprogramma is fundamenteel, maar toepasbaar van aard. Enerzijds zoekt het antwoorden op fundamentele vragen over de oorsprong, de evolutie, het verwerven en het verwerken van menselijke talige communicatie. Anderzijds zijn de resultaten van de experimenten direct relevant voor een verscheidenheid aan concrete toepassingen die belangrijke industriële en maatschappelijke uitdagingen aanpakken. Voorbeelden van dergelijke toepassingen zijn onder meer intelligente conversationele agenten, collaboratieve robots, mensgerichte opinieobservatoria en facilitators, intelligente leersystemen en adaptieve, zelforganiserende multi-agentsystemen" "Sensorfusie en adaptief leren voor optimalisatie en controle van Wire-Arc Additive Manufacturing - met toepassingen op functioneel gesorteerde materialmen" "Tegoeh Tjahjowidodo" "Duurzaam Materialenbeheer (SeMPeR), Maakprocessen en -Systemen (MaPS)" "Een niche-onderzoekstrend in geavanceerde materialen is de creatie van materialen die niet-isotroop zijn of worden gesorteerd in enkele of meerdere richtingen van een component, waarnaar wordt verwezen als functioneel gesorteerde materialen (FGM). Directionele materiaaleigenschappen komen in de natuur in verschillende vormen voor en dit kan worden gebruikt in technische toepassingen waar een gradatie in thermische, mechanische of tribologische eigenschappen vereist is. FGM's kunnen worden gemaakt met Wire-Arc Additive Manufacturing (WAAM). WAAM is een additieve fabricagemethode (AM) waarbij de warmte die door een boog wordt gecreëerd, wordt gebruikt om materiaal (meestal van metaal) af te zetten en op te bouwen. Twin-WAAM (TWAM) verbetert het oorspronkelijke WAAM-proces door twee draadaanvoerunits te gebruiken. Door de voedingssnelheden van deze draden onafhankelijk te variëren, kunnen we FGM's strategisch in een of meer richtingen produceren. De productie van FGM's met behulp van TWAM is nieuw, maar toch een complexe uitdaging. Het proces moet worden geoptimaliseerd en vereist dus een robuust monitoringsysteem. WAAM heeft een schaarse literatuur over monitoring, maar monitoringstrategieën voor andere vergelijkbare processen, zoals Direct Energy Deposition (DED) en Arc Welding, kunnen worden geraadpleegd vanwege hun gelijkenis met WAAM [1]. De typische sensoren die in de literatuur worden gebruikt, zijn vision, akoestische, spectrale en thermische detectie. Visuele en spectrale sensoren en op video gebaseerde thermische sensoren genereren videofeeds, terwijl akoestische sensorsignalen hoge bemonsteringsfrequenties vereisen om frequenties in het MHz-bereik te detecteren. De verscheidenheid, snelheid en het volume van deze sensorsignalen zullen kostbaar zijn wanneer ze worden geïmplementeerd in een online in-situ controlesysteem en moeten worden beheerd. Een mogelijke benadering is door een weergave op laag niveau van de procestoestand te gebruiken die wordt bereikt door gebruik te maken van Deep Convolutional Neural Networks (DCNN) [2]. Met een correct ontwerp en correcte implementatie kunnen goed opgeleide DCNN's de low-level proceskenmerken detecteren, defecten voorspellen en de proceskwaliteit bewaken. De natuurlijke voortzetting is dan om deze bewaakte signalen te gebruiken om het proces te beheersen, door corrigerende maatregelen te creëren die de defecten kunnen verminderen of elimineren. Er bestaan klassieke besturingsalgoritmen zoals PID- of fuzzy-controllers, maar machine learning - versterkend leren, kan mogelijk de huidige besturingssystemen verbeteren. Het WAAM-proces is zo dynamisch dat de opbouwlaag de signalen aanzienlijk kan beïnvloeden. Complexe onderdelen maken het proces ook moeilijk te voorspellen. Een typische controller kan mogelijk geometrie en microstructuurdetails behouden die worden gegeven wanneer ze zijn ontworpen voor eenvoudige componenten, hoewel deze controllerontwerpen zich mogelijk niet kunnen aanpassen aan complexere geometrieën. Reinforcement learning kan worden gebruikt om zich aan te passen aan onverwachte veranderingen door te leren van ervaring en de prestaties van de controller te verbeteren door middel van actieve observatie en interactie met het proces [3]. Dit doctoraatsproject beoogt het volgende: 1. Bekijk de bestaande detectiemethoden voor WAAM of vergelijkbare processen, bijv. Direct Energy Deposition (DED), Fused deposition method (FDM), booglassen, enz. in de context van FGM's 2. Een onderzoek naar de mogelijke kenmerken die tijdens het WAAM-proces worden gegenereerd; selecteer de sensoren die deze functies kunnen meten naar beneden; ontwerp en implementatie van een monitoringstrategie 3. Gegevensverzameling, analyse en interpretatie; ML-modellen ontwikkelen om defecten en de uiteindelijke materiaalsamenstelling van het WAAM-proces te voorspellen 4. Demonstratie van in-situ monitoring met behulp van de ontwikkelde modellen en validatie van deze modellen met actuele componenten 5. Ontwikkeling van een controlesysteem (gebruikmakend van ML / RL-methoden) en vergelijking met benchmarkcontrolemethoden [1] C. Xia et al., “A review on wire arc additive manufacturing: Monitoring, control and a framework of automated system,” Journal of Manufacturing Systems, vol. 57. Elsevier B.V., pp. 31–45, Oct. 01, 2020, doi: 10.1016/j.jmsy.2020.08.008. [2] J. Günther, P. M. Pilarski, G. Helfrich, H. Shen, and K. Diepold, “Intelligent laser welding through representation, prediction, and control learning: An architecture with deep neural networks and reinforcement learning,” Mechatronics, vol. 34, pp. 1–11, Mar. 2016, doi: 10.1016/j.mechatronics.2015.09.004. [3] R. S. Sutton and A. G. Barto, Reinforcement learning: An introduction. 2018." "Betrouwbare Gedecentraliseerde Adaptieve Software Systemen" "Danny Weyns" "Computerwetenschappen, Campus Kulak Kortrijk" "De betrouwbaarheid van de aankomende generatie software-intensieve systemen zal van cruciaal belang zijn voor onze samenleving. Een voorbeeld is een slim systeem dat toezicht houdt over een bepaald gebied. Onze focus van betrouwbaarheid ligt op het garanderen van doelstellingen met betrekking tot fouten, prestaties en efficiëntie. Onzekerheden in de uitvoeringscontext en inherente decentralisatie maken het ontwikkelen van deze systemen zeer complex. Bestaande benaderingen op basis van runtime aanpassingen zijn niet toereikend om gecoördineerde aanpassingen op een efficiënte en betrouwbare manier te realiseren. We stellen een nieuwe benadering voor om betrouwbare gedecentraliseerde adaptieve systemen te ontwikkelen die gebaseerd is op: (i) een nieuwe formeel-gebaseerde taal om interactieve feedback-loops modellen te specificeren die direct uitvoerbaar zijn, en (ii) statistische modelgebaseerde verificatie tijdens de uitvoering om de doelen efficiënt te garanderen met voldoende vertrouwen. We valideren de onderzoeksresultaten in een system met onbemande onderwater voertuigen en twee Internet of Things systemen." "De rol van leren en geheugen bij angst" "Tom Beckers" "Centrum voor Leerpsychologie en Experimentele Psychopathologie" "Leer- en geheugenprocessen spelen een sleutelrol bij het ontstaan en voortduren van angstgerelateerde stoornissen, maar ook in hun behandeling. Nader inzicht in dergelijke processen is cruciaal om angststoornissen beter te begrijpen en om effectievere interventies te ontwikkelen. Het voorgestelde onderzoeksprogramma focust op de rol van excessieve vermijding, in samenhang met problemen in uitdoving en generalisatie van vrees, als een centrale factor in de overgang van adaptieve naar pathologische angst. Daarnaast verkent het nieuwe wegen om ongewenste vreesherinneringen langdurig uit het geheugen te bannen." "Waarnemen met oneindige levensduur door zelfspecialisatie" "Marian Verhelst" "Elektronische Circuits en Systemen (ECS)" "Mijn doel is om een krachtige klasse van monitoringplatformen te ontwikkelen voor duurzame metingen met lange levensduur, voor milieumonitoring, gezondheidsopvolging en gepersonaliseerde diensten. De belangrijkste nieuwigheid is de introductie van zelfspecialisatie. Ik ga geïntegreerde systemen maken die erg generiek beginnen, maar in staat zijn om kennis te verzamelen over hun werkingsomstandigheden en hun verwacht gedrag. Door de combinatie van dergelijke zelflerende systemen en run-time herconfiguratiemogelijkheden worden ze extreem energiezuinig bij terugkerende taken. De output van dit project is een volledig draadloos sensorplatform dat applicatie-onafhankelijk is, maar toch energieneutraal is door zelfspecialisatie." "Predictieve clustering voor gestructureerde biomedische gegevens." "Celine Vens" "Maatschappelijke Gezondheidszorg en Eerstelijnszorg, Campus Kulak Kortrijk" "Verschillende wetenschapsdomeinen genereren gegevens aan een stijgend tempo, wat gepaard gaat met een nood aan geschikte data mining tools om er nuttige kennis uit te extraheren. Uitdagingen hierbij omvatten de schaal en complexiteit (structuur) van de gegevens. Gemotiveerd door nieuwe toepassingen, zoals de analyse van complexe biomedische gegevens, zullen we in dit project nieuwe data mining methoden ontwikkelen om hoogdimensionele en gestructureerde gegevens te analyseren. Een goed startpunt zijn predictieve clusteringsbomen, een flexibele klasse van machine learning modellen, die kan omgaan met verschillende types gestructureerde gegevens. Concreet zullen we het leren van predictieve bi-clusteringsbomen en het leren van data voorstellingswijzen gebaseerd op deze bomen behandelen." "Onderzoeksprogramma Artificiële Intelligentie - 2020" "Piet Demeester" "Vakgroep Informatietechnologie" "Strategic research on Artificial Intelligence, including following grand challenges: Challenge 1: Help to Make Complex Decisions Through Data ScienceChallenge 2: Deliver Artificial Intelligence to the EdgeChallenge 3: Interact Autonomously with Other Decision-Making EntitiesChallenge 4: Communicate and Collaborate Seamlessly with Humans    " "Onderzoeksprogramma Artificiële Intelligentie - 2022" "Piet Demeester" "Vakgroep Informatietechnologie" "We zijn er ons niet altijd van bewust, maar artificiële intelligentie (AI) dringt stilaan door in alle domeinen van ons leven en onze economie. Hoe moeten we daarmee omgaan? Vijf Vlaamse universiteiten en vijf Vlaamse onderzoeksinstellingen – KU Leuven, Universiteit Antwerpen, Universiteit Gent, Universiteit Hasselt, Vrije Universiteit Brussel, Flanders Make, Sirris, VIB, VITO en imec – vormen een consortium voor strategisch basisonderzoek in AI. Het Vlaams AI Onderzoeksprogramma wordt gefinancierd door het Departement Economie, Wetenschap en Innovatie. Het maakt deel uit van een bredere beleidsagenda die ook het gebruik van AI door bedrijven en organisaties stimuleert, en die inzet op bewustwording, opleiding en ethische omkadering."