GAANN电子工程与计算机科学奖学金

项目总结

在STEM领域攻读博士学位的优等生可能有资格获得电气工程和相关应用领域的国家需要领域研究生援助（GAANN）奖学金。这些奖学金是根据学习成绩和经济需要颁发的。GAANN研究员由电气工程和计算机科学学院推荐，并需要研究生院和奖学金项目选择委员会的批准。如果被选中，GAANN研究员有资格获得每年高达34,000美元的津贴，包括学费减免。

资格要求

  1. 全日制电气工程和计算机科学博士课程的学生

  2. 美国公民、永久居民或自由州永久居民

  3. 致力于成为大学教员或具有高影响力的研究者

  4. 优秀的本科和研究生成绩（如果适用）（累计平均绩点）

  5. 证明经济需要，根据联邦指导方针确定

如何申请

步骤1。申请电气工程与计算机科学学院博士项目。符合条件的学生可申请博士学位，学士学位（直接入学）。

步骤2。发邮件给Wojciech jadwiisienczak博士（jadwisie@ohio.edu），表达您申请GAANN奖学金的意向。

 

GAANN的院系关系

  • Wojciech jadwiisenczak，教授，电气工程
  • David Juedes（主任），计算机科学教授
  • Avinash Karanth，教授，电气工程
  • Savas Kaya，教授，电气工程
  • 刘畅，计算机科学教授
  • 刘俊东，副教授，计算机科学专业
  • 查德·莫宁，电子工程助理教授
  • Faiz Rahman，电子工程副教授

研究领域

GAANN奖学金计划向所有对研究生水平的深入研究和教学活动感兴趣的合格学生开放。俄亥俄大学电气工程和计算机科学博士学位为学生准备了围绕电磁学、电学、电子学和新信息技术的各种研究任务。课程提供电气工程、物理、数学、计算机科学、电磁学和新型电子学的原理和基本概念的广度和深度的知识。GAANN获奖者将完成必修课程、三部分综合考试和独立研究，并将接受培训，成为成功的学术导师、导师和研究人员。我们的课程反映了我们教师的不同专业知识，并解决了当今塑造专业的当前趋势和技术。GAANN的学生将有机会在加入专注于解决现实问题的教师研究时提高他们的课堂经验。EECS学院的研究包括航空电子和导航、通信和信号处理、控制、计算机工程、计算机体系结构、网络、电磁学、光电子和纳米电子学、工业控制、模拟和数字电路等EE领域的世界级研究，以及算法设计、计算理论、软件验证和认证、安全、编程语言、计算机网络、人工智能、机器人技术、计算机科学、计算机科学和计算机科学领域的研究。生物信息学，可视化和图像处理。请访问EECS学院网站，了解更多有关可用研究项目的信息，或从以下研究领域列表中进行选择。

氮化硼用于智能传感器平台的探索
（贾德维西恩扎克和拉赫曼）

原子薄六方氮化硼（BN）单层和纳米片（BNNSs）由于其独特的性能，包括具有高灵敏度和选择性的电化学传感气体分子，超低磁场传感，DNA和广泛的DNA相关分析物的荧光传感以及在中红外范围内识别生物分子和化学物质的折射率传感，在药物发现，生物工程，以及环境监测。优异的电催化活性、高比表面积、N-和b -活性边、结构缺陷、通过与其他纳米材料相互作用可调节的带隙以及化学功能化，使二维h-BN成为开发智能传感平台的理想选择。此外，BNNT可用于识别污染物的定性和定量检测。在该项目中，由两位具有材料科学专业知识的教师（jadwiisienczak博士）和设备工程（Rahman博士）指导，一位未来的GAANN研究员将探索寻找一种途径来调节2D BN的电子特性，同时保持其固有特性，以设计，制造和表征新一代高灵敏度BN传感器。学生将探索各种2D BN同素异形体的制造技术，然后在项目中深入探索它们的优点、缺点和作为传感平台的前景。预计学生研究员将进行广泛的研究，重点关注以下选定的任务：(1)通过控制与外部物质（特别是金属纳米颗粒）的表面化学反应来功能化2D BN的挑战，(2)用石墨烯纳米带或其他选定的2D材料封装h-BN，使电子系统超清洁，并可电调谐，以实现具有超高灵敏度的折射率传感器。(3)在石墨烯/h-BN少层带状阵列中设计具有更高质量因子的等离子体共振；(4)超薄石墨烯和h-BN三明治结构作为磁场霍尔效应传感器，检测不同温度下磁场的微小变化。此外，GANN研究员可以参与深度学习算法如何能够预测所选的基于bn的材料系统配置的物理性质的研究。

机器学习在确定航空能见度中的应用（哀悼）

在航空中，能见度被定义为通过大气层，朝向地平线的最大距离，肉眼可以识别出突出的物体。能见度是许多航空事件和事故背后的驱动因素，因此也是航空法规背后的驱动因素。为了提供必要的数据以遵守这些规定，能见度传感器以大气传输计和光学散射计的形式存在，但这些传感器的价格点使它们无法用于一个州或国家的高保真度（每平方英里一个数据点）测量网络。本提案的目标是开发和评估一种低成本的能见度传感器，该传感器使用更常见（也更便宜）的光电传感器和机器学习算法的组合。通过使用现有的传感器，可以创建真实数据，将能见度值（在美国以英里为单位测量）与产生该结果的大气条件图像威廉希尔亚洲，并可能与其他更容易（也更便宜）测量的天气标准（如温度、湿度和一天中的时间）威廉希尔亚洲。该数据集符合训练回归网络中已建立的范例，值得进一步探索。其他研究可能包括扩展到立体相机或将红外和紫外纳入方法的宽光谱方法，以及基于时间序列数据预测未来能见度状态的变化。


用于传感器融合的新型柔性多模态传感器的开发（Kaya, Rahman, jadwiisienczak）

过去十年对柔性和印刷电子产品的研究为传感器丰富的智能无线设备铺平了道路，这些设备可以小型化成邮票大小的元件，并嵌入到日常物品中。传感器在功能和形式上都需要真正的“灵活”，以充分探索许多令人兴奋和新颖的应用。特别是，在收集的数据将用于健康和安全等关键决策的情况下，需要在实际操作条件下融合多个传感器的相关输入。由于纳米材料、低成本印刷电子产品和传感器设计的广泛发展，我们的团队一直积极参与多模态传感器开发和制造的惊人增长，特别是在传统半导体和柔性（纸张、聚合物和纺织品）基板上的新型印刷无源和电光传感器方面。我们目前的活动包括广泛的传感器材料，设计和制造技术，可应用于电，磁，光，化学和机械输入方面的生物医学和环境传感。因此，我们在开发和引入许多柔性传感器方面处于独特的地位，这将使当前的倡议产生更大的影响，同时也为构建新型传感器和分析其响应制定解决方案。对于GAANN项目，我们不仅计划通过溶胶-凝胶基金属氧化物（ZnO， IGO， IGZO）薄膜和印刷有机（小分子Pentacene和聚合物PANI）晶体管来扩大传感器的类型，而且还计划创建印刷传感器阵列，这些传感器可以在表面或分布式网络上“映射”信号。考虑到我们可用的传感向量的数量和类型的多样性，我们可以开发对传感器融合特别重要的平台，这需要具有互补和重叠功能的多个传感器的存在。在传感器融合中，重点从开发具有昂贵的专用材料和复杂电路的高精度传感器转移到各种传感器以及更好的信号处理，统计建模和机器学习，以便在给定环境中从多模态和低成本传感器中获得更可靠的决策。由于柔性/印刷电子传感器以其非常低的成本而不是超高的性能而闻名，因此它们非常适合这种模式转变。专注于传感器融合也将允许学生与其他EECS学院互动，开发算法和嵌入式解决方案。将特别强调用于老年人和慢性病患者可穿戴监视器的生物医学传感器，以及EECS学院许多教职员工已经感兴趣的导航/接近传感器。


通过感知嵌入式系统中的威胁来实施运行时安全策略（Karanth, Juedes）

以微控制器和可编程逻辑控制器（plc）形式的嵌入式系统构成了控制工业过程和我们经济所依赖的关键基础设施的大部分计算基础设施。当恶意代码（例如以控制流注入的形式）将自身植入程序内存并绕过传统的硬件保护方案时，这些低功耗嵌入式系统容易受到外部攻击。当STUXNET病毒据称破坏了1000多台伊朗离心机时，这种攻击的可行性就变得显而易见了，因为它使这些离心机的加速和减速超出了它们的正常运行范围。类似的攻击可能会在美国的关键基础设施中造成广泛的破坏。建议研究的重点是通过设计嵌入式来防止代码注入攻击，从而在硬件中强制执行指定的逻辑约束。我们假定当前嵌入式系统的根本缺陷是可以执行任意代码。因此，安全策略（规则）将程序与保证满足给定操作约束的正确性证书（例如，数学证明）配对，以防止诸如Stuxnet之类的网络攻击。硬件不会运行损坏的程序，因为它会检测到程序没有提供相关的证据，表明它们满足适当的操作约束。由于在软件中执行策略（规则）的成本非常高，因此以前的工作（例如在PUMP中）在硬件中静态地实现部分策略。然而，这种静态分析器是不完整的，因为不能在编译时确定所有程序属性，并且可能在实现安全策略时产生更高的成本。在本研究中，我们建议设计一种高级动态语言/策略，以促进验证和实现一大类硬件运行时监视器，这些监视器可以通过运行时重新配置来适应程序行为。为了实现我们的目标，我们利用三个领域（语言设计、软件/硬件验证和计算机体系结构/安全）的专业知识来构建一个工具链，用于指定和实现按结构正确的硬件安全运行时监视器。通过利用pi先前设计GARUDA的工作，我们建议开发一种新的语言，Dynamic-GARUDA，它将促进验证和实现更广泛的硬件运行时监视器，可以感知硬件威胁。


智能传感器制导的低SWaP-C自主无人机（刘军）

无人驾驶飞行器（uav）或无人驾驶飞机目前正在积极开发并用于监视，运输和安全等新任务。全自动无人机将提高效率，推动农业、采矿业和许多制造业的经济发展。训练自主无人机：该项目旨在应用深度强化学习，在智能传感器的引导下，安全高效地飞行自主无人机。无人机的全局和局部路径规划将首先在模拟环境中进行训练，以学习如何在没有人工命令或其他自动控制的情况下自主导航到目标位置。期望的飞行风格，包括平稳，快速，无碰撞，将有效地执行在训练飞行政策。当部署到真正的无人机上时，来自视觉（摄像头）和激光传感器（lidar）的信号将无缝融合，为学习策略提供深度图、场景分割和位置信息，以做出飞行决策。低SWaP-C实现：在通用处理器（如中央处理单元（cpu）和图形处理单元（gpu））上实现的神经网络通常具有较高的能量和计算需求。在这个项目中，我们计划在神经形态硬件上开发低尺寸、低重量、低功耗和低成本（SWaP-C）的自主无人机解决方案。这种硬件设计范例，受到生物大脑的启发，已经证明了在实时系统中实现低SWaP-C的巨大有效性。


可解释机器的可管理邻域逐字模型表现（刘昌）

机器学习模型通常是为了获得最佳精度而设计和微调的，这通常会导致难以解释或理解的权重层。与此同时，最近机器学习系统的成功吸引了更多终端用户的采用，他们需要更好地理解模型以信任或正确使用此类机器学习系统。为了使收支平衡，研究人员和从业者都采用了几种方法，包括：(1)使用近似模型来解释；(2)复杂全局模型（如LIME）的线性局部解释；(3)通过寻找并展示最具影响力的训练数据点进行举例解释。这些方法都有自己的优点，但是没有一种方法能够满足最终用户的所有需求。这些方法的根本局限性在于，它们假设：(1)机器学习系统的某些方面，尤其是复杂的深度神经网络，人类无法理解；(2)典型的人类用户只能理解简单的概念，如线性系统或决策树。我们的目标是通过两个假设来改进以前的尝试。首先，人类用户是智能的，只是方式不同于机器。人类可以智能地识别模式，但可能无法轻松扩展到数千个数据点。其次，机器学习系统的构建是为了反映遵循逻辑物理规则的实际物理系统。运作良好的东西最有可能得到解释，尽管这个解释可能很复杂。无法解释的东西很可能不能很好地反映潜在的物理性质。在这项工作中，我们提出了一个简单而有效的框架，以帮助人类用户更好地理解黑箱机器学习模型的预测。我们的框架旨在建立机器学习模型和人类智能之间的桥梁，以解决机器学习模型的可解释性问题，特别是对于最终用户。我们打算通过(1)通过逐字模型显示（而不是试图近似模型）来呈现实际模型的各个方面，以及(2)识别和生成可管理数量的数据点，以便在感兴趣的数据点的本地上下文中呈现给用户，从而在该领域进行改进。因此，软件工程师和用户都可以使用他们自己的智能来理解实际模型在人类可管理的有限范围内试图做什么。