Op AI gebaseerde volgende generatie slimme instrumentatie

Tegenwoordig zijn uiterst configureerbare complexe systemen een fundamentele vereiste in veel toepassingen, vanwege de snelle technologische vooruitgang op verschillende gebieden, zoals mobiele communicatie en fotonica. Het karakteriseren van deze systemen is echter een niet evidente opdracht. In het bijzonder moeten uitgebreide metingen worden uitgevoerd, gezien het feit dat het aantal metingen exponentieel toeneemt met het aantal mogelijke configuratie-instellingen. In dit kader is het noodzakelijk om een nieuwe generatie slimme instrumenten te definiëren, die in staat zijn om complexe systemen nauwkeurig te karakteriseren en die tegelijkertijd een efficiënte en geautomatiseerde meetprocedure bieden.

Dit voorstel is erop gericht om deze uitdaging aan te gaan met de focus op de karakterisering van hoogfrequente RF- en microgolfschakelingen en -systemen. Dit toepassingsdomein weerspiegelt mijn expertise en stelt me in staat om gebruik te maken van de knowhow van het departement ELEC, waar ik ben aangesteld. Het doel is om een nieuw “engineering informed” meetparadigma te definiëren, gebaseerd op machinaal leren (machine learning), een tak van artificiële intelligentie, en systeemidentificatiemethoden.

Het hoofdidee is om gebruik te maken van de modellerings- en voorspellingskracht van machinaal leren om de efficiëntie en automatisering van geavanceerde meetprocedures te verhogen, gecombineerd met een systeemidentificatie-aanpak om ervoor te zorgen dat de fysische eigenschappen van het te karakteriseren systeem weerspiegeld worden in de voorspellingen van de modellen die werden bekomen via machinaal leren