1990’lardan bu yana, her yıl Bilkent Üniversitesi Elektrik ve Elektronik Mühendisliği (EEE) Bölümü ve IEEE Bilkent Öğrenci Kolu, Bilkent EEE lisansüstü ve seçilmiş lisans öğrencilerinin çalışmalarını bilgi paylaşımı festivali şeklinde sergiledikleri bir etkinlik olan Lisansüstü Araştırma Konferansı’nı (GRC) düzenlemektedir. Gün boyu süren etkinlik sırasında, Bilkent EEE lisansüstü öğrencileri son teknoloji araştırma projelerini etkileşimli sözlü ve poster sunumlarıyla anlatırken, seçilen lisans öğrencileri ders proje demolarını sunmaktadır.
Bu yılki GRC, 27 Ocak 2022 Perşembe günü gerçekleştirilmiştir. Etkinlik, bilgi paylaşımıyla dolu bir gün ve lisans öğrencilerine Bilkent Üniversitesi EEE Bölümü’nde yürütülen mühendislik ve bilim araştırma dünyasını deneyimlemeleri için eşsiz bir fırsat sunmuştur.
Bu seneki program, 4 zaman bloğunun her birinde eş zamanlı olarak üç oturumun gerçekleştirildiği toplam 12 oturumda gruplandırılmış olan 68 sözlü sunum içermiştir. Sunumlarda, lisansüstü ve seçilen lisans öğrencileri özgün araştırma projelerini paylaşarak, dinleyicilerin sorularını yanıtlamıştır. Yapay zekâ ve makine öğrenmesi, sinyal işleme, iletişim ve ağ oluşturma, biyomedikal mühendisliği, elektronik, elektromanyetik, kontrol ve robotik, optik ve fotonik ve nanoteknoloji dahil olmak üzere elektrik ve elektronik mühendisliğinin çeşitli alanları ele alınmıştır. Konferansa, Bilkent EEE lisansüstü ve lisans öğrencilerinin de aralarında bulunduğu 200’den fazla katılımcı katılmıştır.
Konferans, bölüm tarafından en iyi 4 sunum ve 1 poster ödülünün verildiği ödül töreni ile sona ermiştir. Konferansın başkanlığını Doç. Dr. Muhammed Ömer Sayın yapmıştır. Etkinliğin organizasyonunda, lisansüstü öğrenciler Merve Begüm Terzi ve Ahmet Safa Öztürk ile IEEE Bilkent Öğrenci Kolu’ndan lisans öğrencileri yer almıştır. GRC hakkında daha fazla bilgi https://ieee.bilkent.edu.tr/grc2022/index.html adresinde bulunabilir.
Konferansta ödül alan konuşmalar ise şöyle:
Sözlü Sunum Ödülleri:
- ResViT: Residual vision transformers for multi-modal medical image synthesis
(ResViT: Artık Görsel Dönüştürücüler ile Çoklu Modalite Medikal Görüntü Sentezi)
Onat Dalmaz, Mahmut Yurt, Tolga Çukur
Evrişimsel sinir ağları (CNN) mimarilerine dayalı olan üretken çekişmeli modeller (GAN), son zamanlarda çok sayıda medikal görüntü sentezi görevlerinde son teknoloji performans sergilemektedirler. Bununla birlikte, CNN’ler, kompakt filtrelerle yerel işleme gerçekleştirmek üzere tasarlanmıştır, ve bu model varsayımı bağlamsal özniteliklerin öğrenilmesinden ödün verir. Biz, görsel dönüştürücülerin bağlamsal duyarlılığını ve evrişimsel operatörlerin hassasiyetini, çekişmeli öğrenmenin gerçekçiliği ile birleştiren, medikal görüntü sentezi için yeni geliştirdiğimiz bir üretken çekişmeli yaklaşım olan ResViT’i öneriyoruz. ResViT’in üreticisi, artık evrişim ve dönüştürücü modüllerini sinerjik olarak birleştiren, yeni geliştirilmiş “Birleştirilmiş Artık Dönüştürücü” (ART) bloklarından oluşan merkezi bir bilgi darboğazı kullanmaktadır. ART bloklarındaki artık bağlantılar, yakalanan öznitelik temsillerinde çeşitliliği desteklerken, bir kanal sıkıştırma modülü göreve özel bilgileri damıtır. Aynı zamanda, hesaplama yükünü azaltmak için ART blokları arasında bir ağırlık paylaşım stratejisi tanıttık. Değişken kaynak-hedef modalite konfigürasyonları için ayrı sentez modellerini yeniden oluşturma ihtiyacından kaçınmak için birleşik bir sentez uygulaması da önerdik.
- Straggler Mitigation through Unequal Error Protection for Distributed Approximate Matrix Multiplication
(Dağıtılmış Yaklaşık Matris Çarpımı için Eşit Olmayan Hata Koruması ile Gecikme Azaltma)
Büşra Tegin, Eduin Hernandez, Stefano Rini, Tolga M Duman
Büyük ölçekli makine öğrenimi ve veri madenciliği yöntemleri, işlemeyi paralel hale getirmek için hesaplamaları rutin olarak birden çok aracıya dağıtır. Temsilcilerdeki hesaplamalar için gereken süre, yerel kaynakların mevcudiyetinden ve/veya kötü kanal koşullarından etkilenir ve bu nedenle “gecikme sorununa” yol açar. Çalışmamızda, dağıtılmış yaklaşık matris çarpımı için bu sorunu ele alıyoruz. Özellikle, çarpma sonucu üzerinde daha yüksek etkiye sahip bloklar için daha yüksek koruma sağlamak üzere matris çarpımının bir yaklaşıklığını elde etmek için Eşit Olmayan Hata Koruması (UEP) kodları kullanıyoruz. İlişkili olmayan girdileri olan matrisler için beklenen yapılandırma hatasını sınırlayarak önerilen yaklaşımın performansını teorik bir perspektiften karakterize ediyoruz. Ayrıca önerilen kodlama stratejisini, gradyanların değerlendirilmesinde görüntü sınıflandırma görevi için bir Derin Sinir Ağı (DNN) eğitimindeki geri yayılım adımının hesaplanmasına da uyguluyoruz. Sayısal deneylerimiz, geciken hesaplama araçlarının varlığında UEP kodlarını kullanarak matris çarpımlarının yaklaşıklığını üreterek DNN eğitim yakınsamasını sağlamak için gereken toplam sürede önemli gelişmeler elde etmenin mümkün olduğunu göstermektedir.
- RIS-aided Localization Under Imperfect Knowledge of System Parameters
(Sistem Parametrelerinin Tam Bilinmediği Durumda RIS yardımlı Konumlandırma)
Cüneyd Öztürk, Musa Furkan Keskin, Henk Wymeersch, Sinan Gezici
Tek antenli bir kullanıcı ve bir baz istasyonundan oluşan, ayarlanabilir akıllı yüzeyler (RIS) yardımlı konumlandırma sistemi üzerine çalışılmıştır. Bu çalışmada RIS genliklerinin tam olarak bilinmediği durumda konumlandırma performansının nasıl etkilendiği araştırılmıştır. Literatürde var olan pratik bir model kullanılmıştır, bu model 𝛽min, 𝜅, and 𝜙 gibi 3 tane RIS-devreleri ile alakalı parametreye bağlıdır. Performans sınırları bulunurken hatalı berlilenmiş Cramer-Rao sınırı (MCRB) hesaplanmıştır. Bu sınır yardımıyla, kullanıcının konum kestirimi hatasına bir alt sınır belirlenmiştir. Simülasyonlarda, performans bozulmasının yüksek SNR bölgelerinde önemli olduğu gözlemlenmiştir. Ayrıca, bu yanlış belirlenmiş modele göre maksimum olabilirlik yöntemi ile konum kestirimi yapılmıştır.
- Evolution of Nonlinear Feedback-driven Self-organising Systems
(Doğrusal Olmayan, Gerbildirim Kaynaklı, Kendiliğinden Oluşum Sistemlerinin Evrimi)
Özgün Yavuz, Ghaith Makey, Onur Tokel, Serim Ilday, Fatih Ömer Ilday
Kendiliğinden oluşu, atomikten, nanometrik hatta kilometrik ölçeğe kadar doğada oldukça yaygındıır. Fakat, genel olarak hangi desenin ortaya çıkacağını açıklayan bir yöntem bulunmamktadır; bu da teknolojik uygulamalarda kullanılmasının önünü kesmektedir. Diğer yandan, lazer çevrelerinde, lazer kovuğunun kazancını maksimize eden duruma doğru evrildiği oldukça iyi bilinmektedir. Şaşırtıcıdır ki bu sonuç lazer fiziği dışında çok fazla bilinmemektedir ve henüz kanıtlanmamıştır. Bu sunumda, kendiliğinden oluşma sırasında düzenin, düzensizlikten geribesleme sayesinde oluştuğunu gösteriyoruz. Bu gösterim, lazerlerde kullanılan geribildirim kazancının maksimize edilmesi prensibini genelleştirmemizi sağlıyor. Geribildirim kazancı yaklaşımını, kuantum mekaniğinde kullanılan meşhur yol integralleri bir benzeşim kurarak ile destekliyoruz. Bu prensibi, nanoyapıların lazer kaynaklı kendiliğinden oluşması üzerinde gösteriyoruz. Birbirleriyle rekabet halinde olan desenlerin gerbildirim kazancını üzerinde mühendislik yapmak, sistemi esasen herhangi bir son duruma taşımamıza olanak sağlıyor. Deneysel ve teorik olarak malzeme yüzeyinde olası bütün Bravais desenenlerini üretebildiğimizi gösteriyoruz. Burada tanıtılan geribildirim kazancı tekniği daha geniş kendiliğinden oluşum sistemlerine uygulanabilir.
Poster Sunumu Ödülü:
- Dynamic MRI Reconstruction
Mert Acar, Tolga Çukur, İlkay Öksüz
Dinamik MRG çekimlerini hızlandırmak için yakın zamanda derin öğrenme teknikleri benimsendiği görülmektedir. Yine de, derin modellerin eğitimi için süregelmiş teknikler, büyük ve tam örneklenmiş MRI verisetlerine bağımlıdırlar. Birçok uygulamada bu kadar büyük veri kümelerini toplamak zor olduğu ve hatta yüksek uzaysal-zamansal çözünürlük protokolleri için imkansız olduğu için bu bağımlılık istenmeyen bir durumdur. Bu çalışmada, kardiyak MRG’nin dinamik rekonstrüksiyonu için derin nöral mimarilere kendi kendini denetleyen eğitimi tanıtıyoruz. Tam örneklenmiş MRG verilerinin yokluğunda, kendi kendini denetleyen modellerde kompleksitenin artmasının, eğitim verilerindeki eksiklikler nedeniyle model performansını kısıtlayabileceğini varsayıyoruz. Bu hipotezi test etmek için, değişken derecelerde model kompleksitesi ile dinamik MRG için güncel olan en iyi derin modellerde kendi kendini denetleyen öğrenmeyi benimsiyoruz. Derin rekonstrüksiyon modellerinin denetimli ve öz denetimli varyantlarının karşılaştırılması, kompakt modellerin öz denetimli ortamlarda performans kaybına karşı güvenilirlik açısından dikkate değer bir avantaja sahip olduğunu ortaya koymaktadır.