Titolo del Progetto di Ricerca

Sviluppo di algoritmi di Machine/Deep Learning per analisi di Big Data da osservazione della terra con GPU su satellite

Development of Machine/Deep Learning for the analysis of Big Data from Earth Observation exploiting GPUs on board of satellites

Idea progettuale

L’Osservazione della Terra (OT) mediante satelliti sta conoscendo notevoli progressi, sia per numero di satelliti lanciati e attualmente in orbita che per capacità di acquisizione dei sensori a bordo in termini di bande spettrali, risoluzioni e frequenza di ripetizione. Ne consegue un enorme volume di dati non semplice da gestire, sia a bordo che nella fase di downlink verso le stazioni di terra. Da ciò ne deriva la necessità di considerare lo spostamento del processamento del dato acquisito, e quindi l’estrazione e la gestione delle informazioni, dal segmento di terra al segmento spaziale. Questo comporta una rinnovata pianificazione dell’utilizzo delle risorse disponibili a bordo. Il presente progetto intende percorrere un passo avanti in questa direzione, studiando e configurando un sistema per il processamento a bordo di dati di payload di OT che sia in grado di utilizzare tecnologie e paradigmi di calcolo, in particolare algoritmi di Machine/Deep Learning (ML/DL), basati su hardware dedicato quale le Graphic Processing Unit (GPU) orientate all’elaborazione massiva e parallela dei dati. Lo sviluppo di algoritmi di ML/DL è all’avanguardia nella sperimentazione fisica con Big Data, in particolare nel settore della Fisica delle Alte Energie dove numerosi campioni Big Data sono acquisiti mediante apparati sperimentali di rivelazione estesi e complessi. Il trasferimento di competenze e conoscenze delle tecnologie software sviluppate e consolidate in quest’ultimo ambito è di cruciale interesse per lo sviluppo dei metodi di OT, così come la loro sperimentazione su GPU a basso consumo energetico

The Earth Observation (EO) is showing significant progress, both in terms of the number of satellites launched and currently in orbit and for the data acquisition ability of the onboard sensors in terms of spectral bands, resolutions and repetition rate. The result is an enormous volume of data that is not easy to manage, both on board and in the downlink phase towards the ground stations. Hence the need to consider the shifting of the acquired data processing, and thus the extraction and management of the information, from the ground segment to the space segment. This entails a renewed planning of the use of the resources available on board. The present project intends to take a step forward in this direction, studying and designing a system for processing on board EO payload data that is able to use technologies and calculation paradigms, specifically Machine/Deep Learning (ML/DL) algorithms, based on dedicated hardware such as the Graphic Processing Units (GPUs) allowing the massive and parallel data processing. The development of ML/DL algorithms is on the cutting edge of the physical experimentation dealing with Big Data, particularly in the High Energy Physics sector where several samples of Big Data are acquired by extended and complex experimental detection systems. The transfer of competences and knowledge of the software technologies developed and established in the latter sector is of crucial interest for the development of EO methods, as well as their testing on low energy consumption GPUs.

Campo principale di ricerca

Fisica sperimentale con Big Data acquisiti da grandi apparati sperimentali e satelliti; osservazione della terra.

Experimental physics with Big Data acquired from large experimental detection apparatuses and satellites; earth observation

Sottocampo di ricerca

Sviluppo di software ed algoritmi (reti neurali) su GPU per analisi di dati acquisiti da complessi apparati sperimentali di rivelazione e satellitari; osservazione e monitoraggio della terra.

Software and algorithms (neural networks) developments on GPUs for the analysis of Big Data acquired from complex experimental detection systems and satellites; earth observation and monitoring.

Dettagli dell’impegno di ricerca (obiettivi della produttività scientifica e relative caratteristiche qualitative)

La ricerca dovrà produrre nuovi risultati teorici e sperimentali relativi alle tematiche del progetto di ricerca. Tali risultati, testimoniati da almeno un articolo l’anno, verranno pubblicati su riviste ISI e atti di congressi indicizzati (SCOPUS). Inoltre, verranno divulgati dal ricercatore mediante la sua partecipazione, in qualità di relatore, a conferenze nazionali e/o internazionali. Il ricercatore parteciperà a progetti di ricerca nazionali e/o internazionali, con eventuale responsabilità scientifica di alcune attività.

The research is expected to achieve novel theoretical and experimental results, to be published in at least one paper per year on ISI journals and SCOPUS indexed congresses. Moreover, the results are expected to be divulgated by the researcher through oral presentation at national/international conferences. The researcher is expected to participate in national/international research projects, eventually assuming the role of scientific coordinators of some activities.

Dettagli dell'impegno didattico

Assegnazione di almeno 6 CFU in insegnamenti afferenti al SSD FIS/01 in corsi di Laurea Triennale, Laurea Magistrale e/o Dottorato di Ricerca.

Assignment of at least 6 ECTS for teaching activities related to SSD FIS/01 within Bachelor, MSc and/or PhD courses.

Attività didattica e di didattica integrativa

Lezioni, esami, seminari, esercitazioni e assistenza per gli insegnamenti del SSD FIS/01. Supervisione di tesi di laurea, laurea magistrale e/o di dottorato.

Lectures, exams, seminars, workshops and support for teaching activities related to SSD FIS/01. Supervision of dissertations within Bachelor, MSc and/or PhD courses.

Competenze richieste

Il candidato deve avere consolidata esperienza scientifica nel SSD FIS/01 (testimoniata da adeguati titoli e pubblicazioni scientifiche) e deve avere competenza nelle seguenti tematiche:

- Sviluppo di Reti Neurali per analisi di Big Data acquisiti da apparati sperimentali complessi

- Framework e strumenti di Machine Learning

- Sviluppo di software scientifico per il calcolo parallelo con l’uso di GPU e studio delle performance computazionali.

The candidate is required to prove consolidated scientific experience related to SSD FIS/01 (documented by adequate cv and scientific papers, particularly in ISI journals). Moreover, he/she is expected to show robust competencies in the following areas:

- Development of Neural Networks devoted to the analysis of Big Data acquired by complex experimental apparatuses;

- Machine Learning frameworks and tools;

- Scientific software development for parallel computing on GPUs and study of computational performances.

Esperienze di ricerca richieste

È richiesto un elevato livello di autonomia scientifica attestato dalle attività di ricerca svolte, dalla continuità e ampiezza della produzione scientifica attraverso pubblicazioni ad alto fattore di impatto e relazioni a congressi o scuole nazionali ed internazionali nel settore concorsuale 02/A1; capacità di collaborazione con gruppi di ricerca di rilevanza nazionale e internazionale e capacità di rivestire incarichi di responsabilità all’interno dei medesimi; partecipazione a progetti di ricerca di rilevanza nazionale e internazionale.

It is required a high level of scientific autonomy attested by the performed research activities, their continuity and the wideness of the scientific production, attested by            -publications on high-impact international journals, talks at national and international conferences and schools in the framework of the competition sector 02/A1; capability to collaborate with and manage national and international leading research groups; participation at national and international research projects.

Lingua richiesta

Inglese. Livello di conoscenza della lingua: molto buono. L’accertamento avverrà sulla base delle pubblicazioni scientifiche in lingua inglese. La Commissione potrà, eventualmente, accertare il grado di conoscenza della lingua inglese anche mediante colloquio in presenza.

English. Very good level. It will be verified based on the scientific publications or eventually by oral interview by the committee.

Numero massimo di pubblicazioni presentate dai candidati ai fini della valutazione

12 (dodici)

12 (twelve)

Servizio agli studenti

Assistenza didattica, tirocini, tesi di laurea e/o di dottorato, nell’ambito di corsi inerenti l’SSD FIS/01 Attività di tutoraggio.

Teaching support, internships, MSc either/or PhD dissertations, tutoring related to SSD FIS/01 courses.

Requisiti specifici di ammissione

Dottorato di ricerca affine al Settore concorsuale di cui al presente bando

PhD

Diritti e doveri

Come previsto dalle vigenti disposizioni di legge in materia di stato giuridico dei ricercatori universitari a tempo indeterminato, per quanto compatibili, dal Contratto individuale di lavoro e dai vigenti Statuto e Codice di comportamento di questo Politecnico di Bari.

Il ricercatore è tenuto a svolgere la propria attività nel rispetto delle indicazioni contenute nell’Atto Unilaterale d’Obbligo per la realizzazione del Programma Regionale “Research for Innovation – REFIN” POR PUGLIA FESR-FSE 2014/2020 e, in particolare, nella scheda contenuta nell’Allegato 1 al predetto Atto, riferita alla presente procedura di reclutamento e disponibile sul portale www.poliba.it di questo Ateneo.