暑期研究项目
宋东教授
教师电子邮件:dsong@usc.edu
研究实验室/中心名称:南加州大学神经建模与接口实验室
部门:生物医学工程
研究实验室网站:https://slab.usc.edu/
项目:
1.建立记忆假体的神经信号记录和建模:我们是由宋东博士领导的南加州大学神经建模与接口实验室(https://slab.usc.edu)。我们的任务是开发能够模拟和恢复认知功能的类脑设备。为了实现这一目标，我们使用实验和计算相结合的策略来(1)了解神经系统(如海马体)如何执行高阶认知功能，(2)开发下一代建模和神经接口方法来研究自然行为中的大脑功能，(3)构建皮质假体，可以恢复因疾病或损伤而失去的认知功能。我们邀请具有理工科背景的本科生参与这些研究项目。每个本科生研究人员预计每周花8到10个小时(夏季学期每周20到25个小时)在这个项目上。每个学生将有大量的机会参与上述神经科学和神经工程项目的不同方面，在宋博士和研究生的监督下，在实验室。本科研究人员将接受以下技能培训:从准备MEA植入动物开始，本科生研究人员将协助研究生让动物熟悉不同的实验环境，并训练动物执行某些任务，如自由探索和DNMS任务。一旦动物准备好进行电极植入，本科生研究人员将帮助准备植入所需的化学物质，并对手术区域和手术器械进行消毒。在手术过程中，本科生研究人员将观察整个植入过程，并在手术过程中帮助记录。 They will also learn detailed surgical techniques from graduate students. During the recovery period, undergraduate researchers will help to monitor the animal and report any abnormal condition to graduate students. After recovery, undergraduate researchers will assist graduate students to collect neural and behavioral data from implanted animals. Skill 2. Histology of Brain Tissue Performing histological study to brain tissue collected from implanted animals is a crucial step in neuroscience studies. This step identifies the origin of neural signals and is a necessary procedure to verify immune responses to the implant. First, undergraduate researchers will learn how to slice brain tissue and stain them with different dyes. Second, they will be trained to conduct histological works independently. Finally, they will learn to evaluate brain slices under microscope and keep documentations for each implanted animal. Skill 3. Neural Data Analyze Undergraduate researchers will learn to analyze neural data using specific software under from graduate students. They will assist in pre-processing neural data such as removal of artifact, counting units, and visualization of neural data using Matlab. Students with strong mathematic background and programming skills will also be able to participant in the development of computational models.
Birendra Jha教授
教师电子邮件:bjha@usc.edu
研究实验室/中心名称:地球系统工程与多物理实验室
部门:MFD化学工程和材料科学
研究实验室网站:https://gemlab.usc.edu
项目:
1.多孔介质中的流体流动与机械变形:实验与模拟:水、石油和天然气在地质多孔介质(岩石和土壤)中的流动对于从地下提取能源、处理化学废物、碳封存以减缓全球变暖以及改善地下水质量都很重要。流体在地质、生物或合成多孔介质中的流动经常会导致介质中的应力和应变，从而影响介质的结构和特性，例如，其存储和传输流体的能力。这创造了一个迷人的世界，美丽的图案出现在流体和多孔介质之间的物理相互作用。在这个项目中，您将学习在受控实验室实验和计算机模拟模型中创建和观察这些模式。你可以选择在微分方程、线性代数、python/matlab编程或流体注入实验方面提高你的技能。你将得到其他学生和研究人员在我们实验室工作的指导。在实验工作中，你将为实验准备样品(岩样或亚克力板)，准备液体(水，甘油，CO2)，设置注射泵和岩芯钳，进行实验，收集数据，绘制图，分析。对于计算机模拟工作，您将学习典型有限元模拟器的不同组件(初始和边界条件，材料属性，网格)，准备模拟输入文件，将其提交到计算集群，收集输出文件，绘制图形并进行分析。根据你的兴趣和进步，你可以编写计算机代码或创建新的实验来提高效率或对过程的理解。您将学习如何与一组研究人员合作，提出有洞察力的问题，提出假设，并收集必要的信息来检验这些假设。
杰西·托马森教授
部门:计算机科学
研究实验室网站:http://glamor.rocks/
项目:
1.机器人接地语:我们的实验室致力于将语言与智能体的感知和行动联系起来，并通过交互实现终身学习。我们主要在连接语言和世界的三个层面上工作:语言和感知，理解单词如何与图像、声音和感觉相对应;语言和动作，理解如何使用语言来指导智能体关于其目标和沟通约束;语言是合作和学习的社会机制。学生将与博士生一起进行以研究为重点的项目，涉及将语言与感知、行动和社会行为联系起来。学生们将使用大型语言模型、深度学习、模拟器，可能还有物理机器人，到2023年夏天，他们和博士生的兴趣将得到满足。
Meisam razaviyn教授
教师电子邮件:razaviya@usc.edu
研究实验室/中心名称:数据驱动科学的优化
部门:伊势
研究实验室网站:https://sites.usc.edu/razaviyayn/group/
项目:
1.在分布转移的情况下，可扩展的公平和私人学习:机器学习模型越来越多地应用于高风险决策系统。在这样的应用程序中，一个主要的问题是这些模型有时会歧视特定的人口统计群体，例如具有特定种族、性别或年龄的个人。这些应用程序的另一个主要问题是对用户隐私的侵犯。虽然已经开发出了公平学习算法来缓解歧视问题，但这些算法仍然会泄露敏感信息，比如个人的健康状况或财务记录。除了这些挑战之外，当我们从训练数据转移到测试数据时，数据分布可能会发生变化。在这个项目中，我们的目标是开发可扩展的算法来应对这些挑战。这个项目是一个更大的合作项目的一部分，来自南加州大学的学生和来自行业(Meta，亚马逊，谷歌Research)的研究人员都参与了这个项目。
Somil Bansal教授
教师电子邮件:somilban@usc.edu
研究实验室/中心名称:安全与智能自主实验室
部门:ECE
研究实验室网站:https://smlbansal.github.io/sia-lab/
项目:
1.新环境下的视觉导航:机器人自主导航是机器人研究的一个基本问题。然而，由于动力学建模、机载感知、定位和映射、轨迹生成和最优控制等挑战，开发一个可以在先验未知环境中导航的完全自主机器人是困难的。经典的方法，例如生成实时的全局一致的环境几何地图，计算成本很高，而且容易受到无纹理、透明或闪亮物体或强环境光照的影响。端到端学习可以避免地图构建，但样本效率低。此外，端到端模型往往是特定于系统的。在这个项目中，我们将探索使用机载感知传感器在全新环境中操作自主系统的模块化架构。这些架构使用机器学习来进行基于感知信息的高级规划;然后，通过利用经典的控制理论方法，将这个高级计划用于低级计划和控制。这种模块化方法可以结合两个世界的优点:自主系统学习导航线索，而不需要大量的几何信息，使模型相对轻量级;在学习中包含物理系统结构相对于纯学习方法降低了样本的复杂性。 Our preliminary results indicate a 10x improvement in sample complexity for wheeled ground robots. Our hypothesis is that this gap will only increase further as the system dynamics become more complex, such as for an aerial or a legged robot, opening up new avenues for learning navigation policies in robotics. Preliminary experiment videos can be found at: https://smlbansal.github.io/LB-WayPtNav/ and https://smlbansal.github.io/LB-WayPtNav-DH/.
2.学习和视觉驱动机器人系统的安全保证:机器学习驱动的视觉和感知组件是现代机器人系统导航和自主堆栈的核心部分。一方面，它们使机器人能够在混乱和先验未知的环境中根据所见做出明智的决定。另一方面，缺乏可靠的工具来分析基于学习的视觉模型的故障，这使得将其集成到安全关键的机器人系统(如自动驾驶汽车和飞行器)具有挑战性。在这个项目中，我们将探索为未知环境中的视觉导航和机动性设计一个健壮的基于控制的安全监视器。我们的假设是，我们可以为整个系统设计一个安全监控器，而不是直接推理单个视觉组件的准确性及其对机器人安全性的影响。该监控器检测整个导航堆栈中的安全关键故障(例如，由于视觉组件本身或其与下游组件的交互)，并在必要时提供安全的纠正操作。后者更易于处理，因为整个系统的安全分析可以在系统的状态空间中进行，通常比高维原始感官观测低得多。在模拟和真实机器人上的初步结果表明，我们的框架可以确保机器人在各种环境下的安全性，尽管视觉组件存在错误(我们的一些初步实验视频可以在https://smlbansal.github.io/website-safe-navigation/上找到)。在这个项目中，我们将把提出的框架扩展到更复杂和高维的机器人系统，如无人机和腿机器人。除了确保机器人安全之外，我们还将探索使用所提出的框架大规模挖掘系统的关键故障，并使用此故障数据集随着时间的推移提高机器人的感知能力。
Bhaskar Krishnamachari教授
教师电子邮件:bkrishna@usc.edu
研究实验室/中心名称:自治网络研究小组
部门:电气和计算机工程，以及计算机科学
研究实验室网站:https://anrg.usc.edu
项目:
1.网络分布式系统与应用机器学习:自主网络研究小组由Bhaskar Krishnamachari教授指导，寻找具有电气工程、计算机科学和数学背景的优秀本科生，研究广泛的主题，包括物联网、机器人网络、联网车辆、区块链技术和应用机器学习。项目将涉及数学、模拟和试验台实验的混合，根据学生的背景和兴趣量身定制，并提供扎实的研究生水平的研究。这个团队之前的暑期实习生已经在包括加州大学伯克利分校、哥伦比亚大学、麻省理工学院、普林斯顿大学、加州大学洛杉矶分校、南加州大学、德克萨斯大学奥斯汀分校、斯坦福大学、密歇根大学和伊利诺伊大学香槟分校在内的顶尖大学攻读博士学位。
Sifat Muin教授
教师电子邮件:muin@usc.edu
研究实验室/中心名称:主要研究小组
部门:土木与环境工程
研究实验室网站:https://www.sifatmuin.com/
项目:
1.印刷应变传感器
Ajitesh Srivastava教授
教师电子邮件:ajiteshs@usc.edu
研究实验室/中心名称:斯利瓦斯塔瓦集团
部门:谢明电气与计算机工程系“，
研究实验室网站:www.ajitesh-srivastava.com
项目:
1.数据科学促进健康:该项目将涉及机器学习、数学建模和数据工程的应用，以解决包括流行病和精神疾病在内的健康问题。这可能包括时间序列、网络和集成技术。学生的职责包括文献综述、编码、准备演讲和每周例会。
阮泉教授
教师电子邮件:quann@usc.edu
研究实验室/中心名称:动态机器人与控制实验室
部门:航空航天与机械工程
研究实验室网站:https://sites.usc.edu/quann/
Ketan Savla教授
教师电子邮件:ksavla@usc.edu
研究实验室/中心名称:萨瓦拉研究集团
部门:土木与环境工程
研究实验室网站:https://viterbi-web.usc.edu/~ksavla/
Luis Garcia教授
教师电子邮件:lgarcia@isi.edu
研究实验室/中心名称:钢铁:安全研究实验室
部门:信息科学研究所
研究实验室网站:https://steel.isi.edu/
项目:
1.信息物理模糊框架:Fuzzing是一种标准的自动化技术，用于针对不同的软件输入测试不需要的或意外的行为。当我们把软件放在信息物理系统上，即通过传感器和执行器与物理世界交互的系统上时，模糊软件不足以触发不想要的行为。从感知到驱动的管道容易受到网络物理侧通道的攻击，例如传感器欺骗或虚假数据注入。相反，我们不能只将物理系统置于各种信号发生器中，因为系统会受到损坏，而且可能代价高昂。如果我们选择仿真，建模这些行为将需要以高保真度捕获传感器和执行器的物理动力学。模型还需要了解传感器和执行器信号如何与软件交互。学生将学习在模拟中捕捉传感器和执行器动态的现有技术，并在现有的网络物理系统测试平台上设计和实现一个原型，该测试平台可以包含这些模型。学生将使用基于游戏引擎的无人机模拟器与网络安全程序分析工具进行交互。该项目是持续努力的一部分，因此，在项目开始时，学生将与博士生一起工作，以推进项目的状态。
2.解码人类如何编码记忆:闭环深度脑刺激(DBS)的最新进展使广泛的神经和精神疾病的治疗干预变得更加智能自主。主要的方法依赖于控制理论对大脑与外部环境的复杂功能关系的近似，特别是目标刺激和大脑不同区域的自然反应之间的映射。然而，现有的方法无法捕捉神经元生物标志物的环境背景。学生将探索从我们的记录平台NeurIoT上推理复杂传感器数据的机制，该平台利用一组全面的物联网(IoT)传感器来捕捉人类经验和环境背景，即人类感官通道的子集，以估计人类大脑的状态，并为更智能的、依赖于上下文的DBS提供基础。
Ramesh Govindan教授
教师电子邮件:ramesh@usc.edu
研究实验室/中心名称:网络系统实验室
部门:计算机科学
研究实验室网站:https://nsl.usc.edu
陈慕豪教授
教师电子邮件:muhaoche@usc.edu
研究实验室/中心名称:语言理解与知识获取实验室
部门:计算机科学
研究实验室网站:https://luka-group.github.io/
项目:
1.知识获取的间接监督:知识获取任务(例如，关系提取、实体和事件提取和分类、整合)面临的挑战包括极端的标签空间、注释不足和分布外预测。为此，我们研究了利用来自辅助任务的间接监督信号(例如，自然语言推断，抽象摘要等)的方法，以促进(开放领域)知识获取或信息提取的健壮和可推广的推断。在相同的上下文中，研究基于从填充良好的词汇知识库中获得的光泽知识或结构知识生成语义丰富的标签表示的方法，以便更好地支持使用有限标签的学习。
Viktor Prasanna教授
教师电子邮件:prasanna@usc.edu
研究实验室/中心名称:数据科学实验室FPGA实验室
部门:ECE
研究实验室网站:1.dslab.usc.edu2.fpga.usc.edu
项目:
1.图机器学习:为应用程序定义图ML模型。预测建模。优化。评估。
2.FPGA加速ML:ML任务加速器的设计和分析。
赵杭博教授
教师电子邮件:hangbozh@usc.edu
研究实验室/中心名称:赵课题组
部门:航空航天与机械工程
研究实验室网站:https://sites.usc.edu/zhaogroup/
1.用于软体机器人三维重建的可拉伸应变传感器:我们开发了可拉伸传感器来测量软体机器人的大变形，然后利用测量数据建立软体机器人的三维数字模型。学生职责包括:1。协助应变传感器的制作和测试协助软体机器人的制造和驱动。协助建立软体机器人的三维数字模型。
Peter Beerel教授
教师电子邮件:pabeerel@usc.edu
研究实验室/中心名称:节能、安全、可持续计算小组
部门:电气与计算工程
研究实验室网站:https://sites.usc.edu/eessc/
Jelena Mirkovic教授
教师电子邮件:mirkovic@isi.edu
研究实验室/中心名称:钢
部门:南加州大学信息科学研究所
研究实验室网站:steel.isi.edu
Mayank Kejriwal教授
教师电子邮件:kejriwal@isi.edu
研究实验室/中心名称:人工智能与复杂系统
部门:信息科学研究所
研究实验室网站:新网站正在建设中，将于1月初上线。目前请使用这个:https://viterbi.usc.edu/directory/faculty/Kejriwal/Mayank
于梦洁教授
教师电子邮件:mengjiey@usc.edu
研究实验室/中心名称:余实验室:综合非线性与量子光子学实验室
部门:ECE
研究实验室网站:https://sites.usc.edu/mjlab/
1.集成光子学
Dominique Duncan教授
教师电子邮件:duncand@usc.edu
研究实验室/中心名称:邓肯实验室
部门:神经影像与信息学
研究实验室网站:https://sites.usc.edu/duncanlab/
Paul Bogdan教授
教师电子邮件:pbogdan@usc.edu
研究实验室/中心名称:Cyber-Physical系统
部门:ECE
研究实验室网站:https://cps.usc.edu/studs.html
金波教授
教师电子邮件:bochengj@usc.edu
研究实验室/中心名称:先进复合材料设计实验室
部门:航空航天与机械工程
研究实验室网站:composites.usc.edu
Constantine Sideris教授
项目:
1.生物医学和无线应用的模拟/射频集成电路:我们正在研究几个与可穿戴设备、可食用设备(“智能药丸”)和用于实时健康监测、疾病检测和预防的植入式设备相关的项目。有兴趣的学生应该有模拟电路设计经验，最好有使用Cadence Virtuoso设计工具的经验。有使用Ansys HFSS或CST等电磁仿真工具经验者优先。
2.计算电磁学:我们正在进行几个与高性能射频(RF)和纳米光子器件自动化设计相关的项目，如天线、波导耦合器、光栅耦合器、锥体和纳米光子开关。这包括开发我们自己的麦克斯韦方程求解器(例如，积分方程方法，有限差分和有限元方法)，并将它们与基于梯度的拓扑优化算法耦合起来，以逆向设计此类设备。我们也有兴趣探索机器学习算法，以加速电磁器件建模和改进新器件的优化。有兴趣的学生应具有C/ c++编程经验，熟悉先进的电磁学概念。
陈慕豪教授:
网站:https://luka-group.github.io
项目:
1.间接监督下的知识获取：知识获取(例如，关系提取、实体和事件类型)面临的挑战包括极端标签空间、少次/零次预测和域外预测。为此，我们研究了利用来自辅助任务的间接监督信号的方法(例如，自然语言推理，文本摘要等)，以培养用于知识获取的健壮和可推广的推理。在相同的背景下，我们研究了基于从填充良好的词汇知识库中获得的光泽知识或结构知识生成语义丰富的标签表示的方法，以便更好地支持使用有限标签的学习。
2.事件中心自然语言处理。人类语言的进化是为了交流现实世界中发生的事件。因此，理解事件在自然语言理解(NLU)中起着至关重要的作用。这项任务的一个关键挑战在于，事件不仅仅是简单的、独立的谓词。相反，它们通常以不同的粒度进行描述，在时间上形成事件过程，并由上下文中的特定中心目标指导。我们在这方面的研究可以帮助机器理解用自然语言描述的事件。这包括理解事件是如何连接的，形成过程或结构的复杂性，以及对事件典型属性的认识(例如，空间、时间、突出性、本质、隐含性、成员关系等)。
3.鲁棒的努曼语文本信息提取。
知识图(KGs)提供了开放世界和特定领域的知识表示，这是许多人工智能系统不可或缺的一部分。然而，构建kg通常是非常昂贵的，需要大量的努力。一个被广泛尝试的解决方案是学习从非结构化文本中自动归纳出结构化知识的知识获取模型。然而，通过数据驱动的机器学习开发的这种模型通常对学习资源中的噪声很脆弱，并且可能无法对大型、异构的真实世界数据提供可靠的推断。我们正在开发一个通用的元学习框架，旨在系统地提高数据驱动的知识获取模型的学习和推理的鲁棒性。我们寻求解决几个关键问题来实现目标:(i)如何识别不正确的训练标签并防止在有噪声的标签上过拟合;(ii)如何在推理中检测无效输入实例(例如，分布不全的输入实例)并提供弃权意识;(iii)自动约束学习，以全局一致性加强模型推理;(iv)如何自动增强知识获取模型或骨干语言模型的训练信号。
4.机器常识推理与最小监督。各种类型的常识性推断任务正在挑战SOTA语言模型。这些任务可能包括推断事实的前提条件、实体和事件的典型属性(例如时间、尺度和数值属性)以及典型关系(例如事件的顺序和成员关系、实体的拓扑关系)。虽然为常识性推理的这些方面注释数据的成本可能很高，但我们试图尽可能少地利用任何昂贵的注释，而是开发语言模式挖掘技术，从Web中找到大量廉价(尽管允许有噪声)的监督数据，并将其引向可扩展和可推广的解决方案，以改进基于远程监督的常识性推理。
Shaama Mallikarjun Sharada教授:
网站:https://sharada-lab.usc.edu/
研究领域:催化剂设计的机器学习方法(1名学生)
Jose-Luis Ambite教授
研究领域:生物医学领域的安全联合学习
在某些情况下，与机器学习问题相关的数据分布在多个位置，由于监管、竞争或隐私原因，这些位置无法共享数据。需要将数据复制到单个位置的机器学习方法受到数据共享挑战的阻碍。联邦学习(FL)是一种很有前途的方法，可以跨竖井在所有可用数据上学习联合模型(神经网络)。我们正在研究分布式训练策略，以提高收敛性和性能，特别是当参与联邦的站点具有不同的数据分布和计算能力时。
我们对医疗应用感兴趣，例如医院联盟或试图基于多模态(成像，EHR)数据预测疾病的分布式研究。
Dimitris Stripelis, jose e Luis Ambite, Pradeep Lam, Paul M. Thompson。使用联邦学习扩展神经科学研究。2021 IEEE第18届生物医学成像国际研讨会(ISBI)， 2021。
教授。传媒陈
我们的项目旨在提供一个使用航空摄影测量重建的带注释的地面真相点云的大型数据库，用于训练和验证3D语义和实例分割算法。我们正在开发一个合成数据生成管道来创建合成训练数据，可以增强甚至取代现实世界的训练数据。
教授。克里希纳Nayak
这项工作涉及到实验和数据收集，因此不适合采用虚拟模式。优先考虑2022年夏季两名学生。
主题:
1.实时MRI图像重建
2.改进的儿童和胎儿MRI在0.55特斯拉
Hossein Hashemi教授
项目:
1.硅光子集成电路:该项目涉及分析、设计、优化和模拟各种光子器件，如波导、耦合器、谐振器和光栅，使用商业代工硅光子工艺，应用于激光雷达、成像、显示、自由空间光通信、光信号处理和生物医学传感器。
2.毫米波集成电路:本主题涉及分析、设计、优化和仿真工作在毫米波频率范围(30ghz - 300ghz)的电路，这些电路应用于无线通信、雷达和成像。
Andrei Irimia教授
网站:https://gero.usc.edu/labs/irimialab/
我的研究涉及图像分析、机器学习、神经科学和老年学。我对阿尔茨海默病(AD)、认知障碍(CI)和加速衰老的预测模型感兴趣，并利用ML、神经网络、神经遗传学和MRI/CT来确定AD和CI的风险因素，以及导致神经退行性变的其他疾病，包括创伤性脑损伤(TBI)。将这些基于MRI/CT的模型与多基因风险评分相结合，可以帮助临床医生优先考虑监测和个性化策略，以降低疾病风险和延迟疾病发作。
杨振华教授
研究领域:后cmos材料和器件，使非冯·诺依曼硬件，架构和算法。
主题:
1.神经形态/突触计算使用记忆装置与扩散动力学来实现神经科学原理;
2.硬件加速器，使用模拟电阻开关设备有效地实现人工智能和机器学习;
3.采用新兴材料和器件的高性能非易失性存储器。
钱菲菲教授
实验室:机器人运动与导航动力学(RoboLAND)实验室
网站:https://sites.google.com/usc.edu/roboland
研究领域:仿生机器人，腿部运动，机器人物理学。
项目：
1.障碍辅助运动和导航:这个项目探索机器人如何利用不同的功能
他们的物理环境来实现预期的动作。多足机器人和蛇形机器人能否智能地故意与障碍物碰撞，从而朝着预期的方向稳健移动?机器人能通过尾巴卡住柔软的沙子来有效地转弯吗?在这个项目中，我们将进行机器人运动实验，以了解机器人与其环境之间的复杂交互作用，并使用这些交互模型来创建新的策略，从而在具有挑战性的环境中实现有效的运动和导航。
2.通过每一步了解世界:这个项目的重点是开发可以使用腿作为土壤或泥浆传感器的机器人，以帮助地球科学家以高空间和时间分辨率收集和解释信息。为了实现这一目标，我们将建造能够敏感地“感受到”沙漠沙子或近岸泥浆反应的机器腿。我们将为机器人腿设计不同的基于交互的传感协议，并在实验室实验中测试这些协议。一旦传感能力得到开发和测试，我们将带机器人进行实地考察，在那里机器人将与人类科学家一起工作，并学习人类如何根据动态传入的测量数据做出采样决策并调整探索策略。展望未来，这些理解将有助于我们的机器人具有认知“推理”能力，在协作探索任务中灵活地支持人类队友的科学目标。
教授斯文Koenig
IDM人工智能实验室(IDM -lab.org)正在寻找学生帮助我们开发下一代搜索算法，该算法适用于对自动化仓库非常重要的多代理寻径(www.youtube.com/watch ? v = 6 krjuuevezs)及铁路调度(https://www.aicrowd.com/challenges/neurips-2020-flatland-challenge/）
一般来说，考虑几个代理(如机器人、火车或游戏角色)，它们需要从具有阻塞和未阻塞顶点的图上的当前顶点移动到给定的目标顶点，而不妨碍彼此的移动。这个问题需要路径规划，但与单代理路径规划不同，它是np困难的，因此需要非常智能的算法才能获得良好的性能。我们的项目是一个人工智能项目，而不是机器人项目。它使用简单的模拟而不是机器人硬件。请访问http://idm-lab.org/project-p.html了解更多关于这一主题的研究。
Emilio Ferrara教授
网站:http://www.emilio.ferrara.name/
项目:
世界上大多数人口都与全球信息环境相连。因此，了解信息是如何传播的，并能够大规模和实时地捕捉在一个日益相互联系的世界中控制在线信息扩散的机制是至关重要的。使用机器学习模型和因果推理方法，我们将在不同的时间分辨率和多个尺度上研究在线社会现象，从个人到社区到全球集体行为。特别关注的是动态操纵和人工智能代理的使用，如在线机器人。
Ananya Renuka Balakrishna教授
研究领域:计算材料科学，固体力学，相变
大纲:功能材料具有固有的性质和自身的功能，如铁电性、磁性和光相互作用等特性。这些材料对小的刺激有很大的反应，用于传感器、执行器、存储设备和能量采集器。在这个项目中，学生将使用我们小组以前开发的多物理模型来计算工程材料微结构，可以大大提高材料性能。
Justin Haldar教授
磁共振(MR)成像技术为探索生物系统的奥秘提供了独特的能力，并为解剖、代谢和健康和疾病的生理学提供了新的见解。然而，虽然MR成像已经有几十年的历史了，与多个诺贝尔奖(物理、化学和医学)有关，并且已经在医学和神经科学等领域发生了革命性的变化，但目前的方法仍然远远不能实现MR信号的全部潜力。具体来说，现代MR图像方法由于数据采集时间长，信噪比有限，以及各种其他实际和实验因素而受到影响，这限制了我们可以从活体人体受试者中提取的信息量，并且通常排除了使用先进的实验方法，否则可以增加我们对数量级的理解。我们的研究小组从信号处理的角度解决了这些限制，开发了数据采集、图像重建和参数估计的新方法，这些方法结合了:(1)物理成像过程的建模和操作;(2)使用新的约束信号和图像模型;(3)表征信号估计框架的新理论;以及(4)快速计算算法和硬件。我们的方法通常基于联合设计的数据采集和图像重建方法，以利用高维数据中可以发现的固有结构，我们尽最大努力充分利用“维数的祝福”，同时减轻相关的“诅咒”。我们正在寻找在信号处理方面有很强背景的优秀学生，他们有兴趣开发方法来改进现有的先进MR方法，并有兴趣实现/探索创新的下一代成像方法。
Viktor Prasanna教授
研究领域:
1.FPGA加速度
2.ML和AI加速
3.流数据科学
4.并行计算
Jonathan Gratch教授
研究领域:情感计算，自然语言处理，心理学
项目描述:
自然语言自动谈判系统:南加州大学创意技术研究所(ICT)的情感计算小组正在寻找一名实习生，以协助我们对自动谈判系统的研究，该系统表现出适当的情感和战略意识，同时利用自然语言等现实的沟通模式。实习生将参与设计一个实用的对话系统，与人类进行有效的谈判。这是一个高度跨学科的项目。从教育学到会话式人工智能，这种谈判系统有许多实际应用。具体的问题可以结合实习生的兴趣来决定，但潜在的问题包括:1)操纵谈判系统的情感或战略行为，并进行众包实验，以了解这些操作如何影响谈判结果，2)使用先前情感计算或心理学研究的见解，为谈判对话系统建立神经文本生成模型，3)根据一致性和连贯性提高响应质量，4)基于聊天对话的对手建模方法。
我们的暑期实习生经常在各种各样的场所发表他们的作品。以下是在NAACL 2021 (https://aclanthology.org/2021.naacl-main.254.pdf)和ACII 2021 (https://arxiv.org/pdf/2107.13165.pdf)上发表的几个成功的实习项目。我们期望今后的工作在这一进展的基础上继续下去。
推荐技能:较强的编码能力(Python优先)，并有ML, NLP，情感计算技术的经验和兴趣。
于梦洁教授
项目:
1.基于硅、氮化硅和铌酸锂的集成光子电路的纳米制造
2.变频光子结构设计与优化
3.可见电信转换为量子互连
4.高质量微环谐振器的表征
研究领域:纳米光子学，非线性光学，光电子学，光学频率梳
相关链接:https://minghsiehece.usc.edu/directory/faculty/profile/?lname=Yu&fname=Mengjie
https://scholar.google.com/citations?user=t5fpSWUAAAAJ&hl=en&authuser=1
杰西·托马森教授
项目:我们的实验室致力于动作中的接地语言，多模态观察和机器人(glamour)。我们正致力于开发能够理解“帮我做早餐”等语言请求的机器人和虚拟人工智能代理，并在困惑时提出问题，例如“我在哪里可以找到盐?”我们的项目从基于语料库的机器学习，到在模拟环境中学习AI代理，再到在物理机器人平台上学习和执行语言指令。
研究领域:语言基础，语言和机器人(RoboNLP)，具身人工智能
徐嘉伟教授
网站:https://sites.usc.edu/hsugroup/
研究领域:复杂系统中的光子学
项目:
1.散射介质成像
2.计算电磁学
3.超表面平面透镜
4.Non-hermitian光子学
5.波在无序介质和多模光纤中的传播
Michelle Povinelli教授
主题:
1.利用光和热的流动进行计算和逻辑
2.使用光的加密通信
赵阳樊教授
我实验室的研究领域是新型磁共振成像技术在人类疾病中的开发和应用。
网站:https://fan-mri-lab.usc.edu/
本科生可参与的项目:
1)深度学习驱动的心血管mr成像加速，我们有70多个病例，在12分钟内获得了颅内血管壁图像。通过物理神经网络，我们希望将每次扫描的采集时间从12分钟缩短到4分钟，并将整个颅内血管壁成像协议从18分钟缩短到8分钟或更短。
2)空间分辨率增强脑癌MR成像。我们有二合一MR技术，可以提供低分辨率和高分辨率的灌注和渗透率定量。我们希望开发一种自我学习技术来提高空间分辨率，以更好地表征病变。
教授。多米尼克•邓肯
项目:
1.EpiBioS4Rx:抗癫痫性治疗的癫痫生物信息学研究(EpiBioS4Rx)是一个大型的、国际化的、多中心的无墙中心(CWOW)，通过对导致创伤后癫痫(PTE)的创伤性脑损伤(TBI)动物和患者的研究来解决这一迫切需求，以开发必要的技术和患者群体，以开展未来具有成本效益的癫痫预防疗法的全面临床试验;各种分析方法应用于脑电图，核磁共振成像(结构，功能和扩散)，以及啮齿动物和人类的血液数据
2.大比:BRAIN计划数据档案是由NIH通过推进创新神经技术(BRAIN)计划进行大脑研究的侵入性神经生理学数据的共享存储库，包括应用于电生理学数据的机器学习和其他分析工具
3.COVID-ARC: COVID-19数据档案存储与COVID-19相关的多模式(即人口统计信息、临床结果报告、成像扫描)和纵向数据，并为研究人员提供各种统计和分析工具，以及应用于胸部CT成像数据的机器学习。
教授。佩德罗Szekely
项目:
1.理解事件过程:自然语言总是与事件沟通，由于某些中心目标，事件经常连接到过程中。给定事件过程“完成课程要求”->“通过资格考试”->“发表论文”->“实习”->“论文答辩”，机器是否理解这将导致“获得学位”的中心目标?我们如何有效地教会机器理解事件的突出性，即“论文答辩”比“实习”重要得多?这些知识是否有助于下游的叙事任务(如总结、对话生成、故事完成)?
2.在复杂表格中汇总数据:Web表格包含丰富的信息，这些信息可能以大量复杂的结构显示。为了从表中合成可操作的知识，这将有助于下游NLU任务(例如QA和事实验证)，系统需要具有将表中的显著信息总结为自然语言声明的能力。然而，这也伴随着几个关键的挑战:(1)如何在任何布局结构的表格中找到突出的信息?(2)由于表格的不同子部分代表不同的知识/事实，如何根据同一表格的不同部分来培养受控的自然语言生成?(3)我们如何在生成的摘要中有效地聚合信息(例如，找到最大值、平均值或识别特定的模式)?(4)我们如何以一种有助于回答问题和事实验证的下游任务的方式进行总结?
3.常识性推理的远程监督:各种类型的常识性推理任务正在挑战SOTA语言模型。这些任务可能包括推断事实的前提条件、实体和事件的典型属性(例如时间、尺度和数值属性)以及典型关系(例如事件的顺序和成员关系、实体的拓扑关系)。虽然为常识性推理的这些方面注释数据的成本可能很高，但我们试图尽可能少地利用任何昂贵的注释，而是开发语言模式挖掘技术，从Web中找到大量廉价(尽管允许有噪声)的监督数据，并将其引向可扩展和可推广的解决方案，以改进基于远程监督的常识性推理。
4.用于开放域信息提取的语义丰富的标签表示:(开放域)信息提取任务(例如，关系提取和实体类型)很容易遇到包括极端标签空间、少次/零次预测和域外预测在内的问题。为此，我们计划研究基于丰富的词汇知识库中的注释知识或结构知识生成语义丰富的标签表示的方法，并进一步利用SOTA自然语言推理模型，在开放领域中为信息提取培养更健壮和可推广的推理。
Aleksandra Korolova教授
网站:www.korolova.com
项目:
1.差异隐私——从理论到实践:差异隐私已经成为最有前途的隐私保护数据收集和分析方法。尽管最近谷歌(https://github.com/google/rappor)和苹果公司，这些部署在它们可以解决的用例类型上是有限的。
在这个项目中，我们将解决使差分私有算法普遍有用的几个障碍。我们将开发新的算法，用于设备上的差异私有机器学习，同时做出适合中型公司收集数据的建模假设。该项目将包括算法设计和分析、原型实现以及在各种假设下测量性能的实验。我们的目标是将该项目的研究结果发表在顶级隐私或机器学习场所，并被有兴趣提供强有力隐私保障的公司在实践中采用。
2.确保机器学习的公平性:数据驱动的算法和机器学习越来越多地用于为人们做出决策的系统中。随着这些算法变得越来越普遍和复杂，了解它们固有的风险至关重要，例如编纂和巩固偏见，减少问责制，以及创造新的歧视类型。在这个项目中，我们将采取有原则的方法来审计主要在线服务提供商使用的算法或机器学习模型，以识别意外风险。我们将量化已确定的风险和影响这些风险的因素，并研究可能有助于补救这些风险的算法修改和透明度选项。
刘岩教授
在过去十年中，机器学习方法在学习复杂的数据表示方面取得了巨大成功，使许多科学学科能够采用新颖的建模和数据处理方法。然而，研究也表明，纯数据驱动的深度网络往往容易受到数据分布变化的影响:人类难以察觉的变化可能会导致荒谬的预测。在许多应用领域，包括物理学，这激发了对健壮性和可解释性的需求，这样模型在实际应用中就可以被信任。作为一种潜在的解决方案，在模型或学习过程中纳入领域知识作为归纳偏差已被积极研究，以获得鲁棒性和可解释性。此外，领域知识的数据驱动模型也有利于科学发现，如因果推理和概率推理。在这个项目中，我们感兴趣的是如何将基于物理的知识用于深度网络的高效学习、鲁棒性、科学发现和可解释性。
Meisam razaviyn教授
项目:
1.设计量化神经网络。在这项工作中，我们探索了可以系统地确定量化级别并使用量化值训练神经网络的优化算法。
2.神经网络中对抗攻击的防御。在这项工作中，我们开发了具有理论性能保证的算法，用于防御神经网络中的对抗性攻击。详情请参见https://arxiv.org/pdf/1902.08297.pdf
Srivatsan Ravi教授
网站:https://sites.usc.edu/srivatsr/
研究议程:https://cpb-us-e1.wpmucdn.com/sites.usc.edu/dist/5/239/files/2019/05/research-statement.pdf
项目:
1.加密货币的并发性挑战:从隐私和安全角度构建下一代智能合约生态系统——智能合约和加密货币有望通过将防篡改计算机系统概念应用于金融部门来重塑货币电路，从而引入实时交易的效率和公共监控。虽然未来潜在应用的范围是有希望的，但为了过渡到现实应用，开放研究的问题仍然需要解决，最关键的是交易的端到端安全。我们的研究将专注于解决新兴智能合约系统固有的安全、隐私和可扩展性挑战。我们研究了现有的生态系统，如比特币、Ripple和以太坊。我们确定了一种整体方法来加强智能合约的设计和实现，以应对快速发展的硬件和软件趋势不断增加的攻击面。
2.分布式网络算法-物联网设备和应用程序的可用性不断增加，需要相应扩展的通信协议。随着数十亿的可传递物联网设备被部署，新的应用程序被动态引入企业网络，这些互连网络的管理和控制非常紧张。关于分布式网络算法的项目从分布式计算理论、系统和验证的角度解决了作为现代网络堆栈核心的算法协议。这些项目涉及:(i)通过分布式网络控制器强制执行一致数据平面更新的弹性和健壮的协议;智能、安全和可扩展边缘计算基础设施的算法;(iii)网络拓扑和网络状态来源的分布式估计;以及(iv)高保真和可编程网络实验基础设施的架构。
3.并发数据结构的设计、验证和分析——为了满足现代计算需求和克服计算硬件的基本限制，传统的单cpu架构正在被基于多核甚至多核的并发系统所取代。因此，至少在下一次技术革命之前，应对不断增长的计算需求的唯一方法是投资更智能的并发算法。同步是并发编程的主要挑战之一，包括对共享数据结构(列表、哈希表、树等)的并发访问进行仲裁。直观地说，高效的数据结构必须是高度并发的:它应该允许多个进程并行地在其上“取得进展”。本课题深入研究了这种并发数据结构的下界和上界设计，并对相应算法的正确性进行了形式化验证。
Mukund Raghothaman教授
网站:https://r-mukund.github.io/
研究领域:我的研究实验室的重点是编程技术:我们如何帮助程序员编写更好的代码，自动发现错误和安全漏洞，并帮助程序员理解大型、复杂的代码库?我们正在将机器学习和人工智能的前沿思想应用于编程语言中的这些和其他基本挑战。
研究问题:
1.我们是否可以使用强化学习系统来发现程序中的错误，而花费的计算成本和人力成本仅为当前这一代工具的一小部分?
2.我们是否可以使用诸如梯度下降之类的思想自动合成代码片段?在这两种情况下，最根本的挑战都是找到好的程序表示。潜在的解决方案将产生巨大的影响，使程序员能够将他们的代码中繁琐的部分转移到约束求解器中，并使编程系统能够理解他们正在处理的代码。
这些项目将采用严格的数学计算，并涉及动手编程。我们将阅读论文，头脑风暴，并以书面形式提出我们的解决方案。因此，理想的候选人将能够轻松地设计和推理算法——无论是正式的还是启发式的——并且也有信心设计中等规模的代码库，并侵入现有的软件项目。之前在编程语言、验证或静态分析方面的经验是不需要的:我们将在它们出现时回顾前提思想。
作为回报，候选人可以期望获得应用人工智能和约束求解强大思想的经验，并对编程技术——编译器、调试器、模糊测试器和静态分析器——有更深的理解，这些都是专业软件工程师的工具包。
Daniel Garijo教授
网站:https://knowledgecaptureanddiscovery.github.io/
研究领域:科学，科学软件，知识表示和语义网。
项目:
1.利用Web上的现有知识增强科学软件知识图——知识图正在成为一种越来越重要的机制，它以机器可读的方式表示数据，简化查询，并促进分布式环境中的资源链接。Wikidata是一个源自维基百科的众包知识图谱，是迄今为止最大的开放知识图谱之一，拥有数千名管理员和数百万个可用实体。在这个项目中，学生将与ISI的知识工程师密切合作，利用维基数据的内容来改进现有的科学软件知识图谱。
学生将学习以下技术:使用REST api、RDF、SPARQL。
推荐具备Python或Java基础知识。
2.面向Docker图像的语义表示——软件可用性是采用和构建现有科学方法的关键问题。Docker是一种流行的虚拟化环境，可以帮助开发人员设置和重用现有软件。开发人员通过“Dockerfiles”规范重用其他开发人员创建的软件映像，这些规范通常可以在DockerHub (https://hub.docker.com/)等web存储库中获得。然而，搜索这些图像是困难的，因此，研究人员经常手动探索它们的内容。在这个项目中，学生将应用自动提取器来生成机器可读的软件图像元数据表示，将它们表示为知识图并有效地查询它们。
学生将学习以下技术:RDF、本体、SPARQL、Docker。
推荐具备Python或Java基础知识。
3.从科学软件文档中自动提取元数据——科学软件对于理解和再现科学结果至关重要。但是，执行他人开发的软件需要科学家花费大量时间阅读文档并设置指令。在以前的工作中，我们开发了一种自动对文档的重要部分进行分类的方法。在这个项目中，学生将通过应用新的分类器和构建用户界面来帮助用户分类新的软件文档来利用我们以前的发现。
学生将学习以下技术:使用REST api, JSON, RDF, Javascript。
推荐优先知识:Web技术，Python或Java，基本的表示知识。
4.科学软件的语义搜索引擎——尽管开放科学最近取得了进展，但搜索科学软件结果仍然是一个需要人工操作的复杂问题。然而，渐渐地，开发人员越来越多地在Web上公开科学软件元数据。在这个项目中，学生将构建一个爬虫来检测开发人员创建的描述，并将它们收集到任何人都可以查询和浏览的元数据索引中。
学生将学习以下技术:使用REST api、RDF、SPARQL、。
推荐具备Python或Java基础知识。
Peter Beeral教授
项目:
1.低功耗设计、基于锁存器的设计和异步设计领域的软件/CAD。学生将学习最先进的技术来攻击这些领域的功耗，并为计算机辅助设计工具做出贡献，以提高功耗。学生应具有商业专用集成电路流程的经验。
2.超导电子领域的软件/硬件设计。随着摩尔定律的终结，寻找下一代技术变得极为重要。我们正在研究超导电子设备是否能在超低温下运行(4开氏度)，我们需要新的软件工具和电路来增加可能的设计规模。具有较强的编程经验，熟悉开源和/或商业计算机辅助设计工具。
3.
全T牛根教授
网站:https://sites.usc.edu/quann/
项目:
1.控制，优化和机器学习，以实现四足机器人的极其稳健的运动
2.一种轮腿混合机器人的设计与控制，面向未来的送货机器人
3.自动驾驶汽车在紧急情况下的碰撞避免
梅教授
研究领域:自然语言处理
项目:
1.低资源语言中的跨语言信息检索、信息提取和机器翻译——当我们除了一些被过度研究的语言之外，几乎没有监督数据时，我们使用迁移学习、语言共性和相关语言信息加上新的、不那么需要数据的模型来构建最先进的NLP系统。
2.通过电子邮件生成创造性对话以打击网络钓鱼攻击-我们试图通过拦截使用假装是网络钓鱼者的预定受害者的代理的尝试来阻止网络钓鱼。
Kristina Lerman教授
项目:
1.科学合作网络分析——科学合作是大多数科学进步和创新的基础。在过去的几年里，书目数据集变得可用，使我们能够研究这些合作是如何形成和发展的。不需要有网络分析的经验。Python和科学计算经验(Matlab, scikit学习包)优先。
2.贫困的数据科学——理解贫困的宏观经济基础因各种解释变量之间的相互作用而变得复杂。我们正在开发机器学习方法来消除变量的偏差，以消除潜在混杂因素(种族或教育)的影响。这种公平的分析有望更好地解释不同人口因素与贫困相关结果之间的关系。实习生应精通基础统计学和python。我们将下载并分析与贫困有关的各种数据集。这是一个学习如何分析异构大数据的机会。
Mayank Kejriwal教授
网站:http://usc-isi-i2.github.io/home/
项目:
1.社交媒体感知:像Twitter这样的社交媒体是一个有价值的众包数据来源，它可以帮助我们在正式组织(如新闻广播公司)传播信息之前很好地了解实地情况。在印度喀拉拉邦洪水或2015年尼泊尔地震等自然灾害发生期间和之后，准确和半自动的技术能够感知来自社交媒体流的“信号”(包括紧急需求)，这是一个重要问题，可用于及时避免悲剧。在这个项目中，我们希望在现有的灾难推特数据集上定义、建模和构建这样的社交媒体传感器。技术必须具有适应性(可以应对多种灾难)和健壮性(能够处理不相关的数据)，同时几乎不需要训练数据。
2.设计和评估大规模Twitter嵌入:词嵌入(如GloVE和fastText)和图嵌入(node2vec, DeepWalk)已经成为机器学习中非常流行的范例，用于在无数数据集上进行无监督表示学习。在现实世界中，数据通常不是单词、文档或图表，而是混合了这三者的异构数据。嵌入这样的数据集，Twitter就是一个很好的例子，不仅从算法的角度来看具有挑战性，而且很难精确地评估。该项目寻求在异构的、大规模的Twitter语料库上学习多种嵌入，并设计适当的方法来评估这些嵌入。研究议程借鉴了工程学和科学原理。
Jayakanth Ravichandran教授
网站:http://alchemy.usc.edu
研究领域:用于新兴应用的电子和光子材料和器件
项目:
1.新兴电子产品的负电容:该项目将涉及异质结构栅极介质的设计、制造和器件表征，显示用于逻辑和存储应用的高迁移率场效应晶体管的负电容效应。项目也可以有一个理论组件。
2.用于神经形态应用的相变振荡器:该项目将利用金属到绝缘体的相变来实现占地面积小、功耗低的高频电振荡器。该设备将实现高度规模化的神经形态电路。将进行理论和实验研究。
3.巨型线性和非线性光子材料的开发:本项目将开发新型线性光子材料
以及具有巨大灵敏度的非线性光子材料。我们已经证明了准一维硫系化合物(BaTiS3)的双折射世界纪录。这项实验性工作将继续下去，并在此基础上进一步努力。
林国强教授
网站:https://clvrai.com/
研究领域:强化学习、机器人、深度学习、元学习、模仿学习和分层强化学习。
Bhaskar Krishnamachari教授
网站:https://anrg.usc.edu/www/
集团简介:自治网络研究小组由巴斯卡尔教授指导
Krishnamachari寻求具有电气工程、计算机科学和数学背景的优秀本科生，用于物联网、无线机器人网络、联网和自动驾驶汽车以及其他下一代无线网络的研究。项目将涉及数学、模拟和试验台实验的混合，根据学生的背景和兴趣量身定制，并为研究生水平的研究提供强大的经验。该团队之前的暑期实习生都曾在加州大学伯克利分校、哥伦比亚大学、麻省理工学院、普林斯顿大学、加州大学洛杉矶分校、南加州大学、德克萨斯大学奥斯汀分校、斯坦福大学、密歇根大学、伊利诺伊大学香槟分校等顶尖学府攻读博士学位。
Michelle Povinelli教授
研究领域:研究在高温下记忆、逻辑和计算的替代方法的微光子器件。
项目:微加工器件的电磁模拟与实验器件测试。
罗海鹏教授
网站:http://www-bcf.usc.edu/~haipengl/
研究领域:强盗优化，强化学习，在线学习/优化。
Richard Leahy教授
项目区域:脑成像，信号处理和机器学习。人脑在一个多面的世界中处理丰富而复杂的信息。该项目专注于开发和验证基于BrainSync转换的数学和统计框架，以解决在休息、自然刺激和自定节奏活动范式期间分析多受试者大脑成像数据所固有的挑战。该项目将涉及开发新的数学和机器学习算法、编程以及对人脑成像数据的实验。
任翔教授
网站:https://ink-usc.github.io/
研究领域:自然语言处理，机器学习，数据挖掘
用于NLP的先验知情、标签高效深度学习:
在任翔教授领导的南加州大学智能与知识发现(INK)实验室，我们对开发深度学习方法感兴趣，该方法可以消耗少量的人类注释数据，并可以有效地将人类的先验/领域知识以符号结构的形式编码，并应用于自然语言理解任务，如问答，自然语言推理和信息提取。特别是，我们对具有弱监督和先验知识的顺序/图结构数据建模领域的机器学习问题感到兴奋。这包括神经符号学习、噪声数据学习、零/少镜头学习和迁移学习。
陈硕伟教授
项目:
1.高性能、低功耗模拟电路设计
2.机器学习辅助电路设计
3.仿生计算硬件
Assad A Oberai教授
项目:基于pde的无监督学习模型——最近的发展已经在基于图的无监督学习算法的大(无限)数据极限和偏微分算子之间建立了密切的联系。这导致人们考虑用于求解偏微分方程的计算方法是否可以在构建新的、更健壮和更有效的算法来解决无监督学习问题中发挥作用。在一个夏天的时间里，学生将探索这种联系，并帮助开发和实现这些基于pde的算法，以解决无监督和半监督学习问题。
吴信义教授
项目:我们的项目是情感性障碍的马尔可夫计算建模和模拟。这是一个多年的研究议程，将包括理论发展部分，计算/模拟部分，和经验数据收集部分。特别是，我们希望对建立计算精神病学马尔科夫模型的培训感兴趣的学生。
Cyrus Shahabi教授
项目:
1.地理不可区分机制的经验评估——移动用户与基于位置的应用程序(如地图、拼车服务、地理社交网络等)的交互非常频繁。泄露不受保护的位置数据可能导致严重侵犯个人健康或财务状况、政治或宗教倾向等方面的隐私。地理不区分(GeoInd)正在成为一种有前途的保护位置隐私的模型，但现有的实现技术要么太慢，无法在移动应用程序中使用，要么引入了太多的数据失真，降低了应用程序的可用性。在这个项目中，学生将在广泛的现实生活数据集和不同的参数设置下，通过实验实现和评估GeoInd现有技术的性能和准确性。该项目的目标是确定哪种技术适合于什么特定的用例场景，以及应该如何设置系统参数以实现预期的系统目标。要求技能:较强的编程能力(C/ c++， Java)，良好的计算几何和统计学数学背景。
2.可搜索加密技术的性能评估——云计算的出现导致了一种趋势，即数据在可能并不总是可信的实体上存储和处理。由于大量的个人数据被外包到云端，隐私问题引起了人们的严重担忧。即使在云服务提供商不是恶意的情况下，恶意对手的安全漏洞也可能导致个人隐私数据的泄露。为了解决这一威胁，人们提出了许多加密技术，这些技术既可以安全存储数据，也可以直接对密文进行查询处理。一些基本操作，如精确匹配、范围查询或内积求值，目前在对称或非对称密码设置中都由这些密码原语支持。然而，所有这些技术都有很大的性能开销，这对它们的实用性提出了质疑。在这个项目中，学生将实现几种突出的可搜索加密技术，并彻底评估它们在广泛的数据集和各种参数设置中的性能。我们的目标是了解可搜索加密的性能开销，并尝试在特定的用例场景下优化性能(例如，通过确定减少开销的某些参数设置，或在可能的情况下使用并行)。要求技能:较强的编程能力(Python, C, c++， Java)，良好的数论背景。
Sandeep Gupta教授和Pierluigi Nuzzo教授
网站:http://descyphy.usc.edu
项目:
1.为逆问题开发定制计算解决方案:逆问题跨越许多应用领域，包括组合优化和生物医学成像。Sandeep Gupta教授和Pierluigi Nuzzo教授正在研究两种不同的方法来为SAT(可满足性)构建新的自定义计算解决方案，SAT是逻辑领域的关键逆问题，可以简化为广泛的重要应用。具体来说，他们目前的方法超越了硬件加速的常见范例(即，更低的硬件延迟，利用更高的核心/逻辑级并行性，减少数据移动)，并体现了新的范例，特别是利用电级并行性(例如，在互连上实现n路广播，并以O(log(n))延迟进入存储器)，以及开发直接实现逆功能的新型VLSI电路。
2.自动驾驶汽车测试平台:该项目的目标是建立一个实验性测试平台，以模拟自动驾驶汽车的现实场景，并测试不同驾驶算法的有效性。该测试平台将以交通十字路口为目标，包括一组按比例缩小的自动驾驶汽车，一个可编程的交通灯定序器来模拟交通和行人信号，以及一组机器人来模拟行人交通。学生们将与南加州大学维特比分校的教师和博士生密切合作，定义测试平台的架构，定义和组装不bob国际首页登录同的组件，在测试平台上实现驾驶场景，并收集数据。活动将包括在仿真环境中编程驱动算法以及在嵌入式微控制器上编程(例如，在树莓派板上)。
3.具有机器学习组件的安全关键自主系统的高保证设计:自主系统特别适用于各种应用，如无人驾驶汽车、航天飞行、家庭维护以及货物和服务的交付。为了在不确定的环境中实现高度自治和操作，这些系统将越来越多地采用机器学习算法。这些算法在许多任务上已经达到了人类水平或更好的表现;然而，它们在安全关键应用程序中的部署带来了额外的近似值来源，需要形式化的分析和设计方法来确保实现的系统是安全的，并避免不希望出现的结果。该项目的目标是开发、模拟和测试可扩展的分析和设计程序，以保证安全关键自治系统的正确运行。
4.安全驱动优化的集成电路混淆:集成电路混淆由一组用于防止集成电路逆向工程和硬件木马插入的技术组成。多年来已经开发了几种混淆技术，但在验证安全性声明的度量标准或选择和评估混淆效果的工具方面几乎没有一致意见。该项目的目标是开发一种混淆设计方法和统一的度量标准，将混淆安全性视为一流的设计约束，并能够选择适当的技术组合来满足一组安全性和性能目标。
Manuel Monge教授
网站:https://imedelab.org
研究领域:医疗电子集成电路(ic)，微型医疗设备，神经接口。
集团简介:我们将物理和生物学原理结合并集成到集成电路设计中，以设计用于基础研究，医疗诊断和治疗的微型生物医学设备。
项目:
1.双向神经接口-神经接口直接与我们体内的神经元相互作用。大脑活动的神经记录是研究大脑的关键要素之一，它导致了科学、工程和医学的重大突破。类似地，对大脑关键区域的神经刺激已经能够治疗帕金森氏症、癫痫等疾病。目前批准的神经接口设备对大脑的带宽和空间覆盖有限，系统中最多只有10秒或100秒的通道。这些通道大部分用于记录，只有少数用于刺激。未来的高密度、高带宽双向神经接口系统将支持数千个通道同时记录和刺激，并能以高时间和空间分辨率提供多个大脑区域的实时可视化。暑期实习生可以从事神经放大器和神经刺激器ic的各个方面的工作，包括组件和系统的设计、模拟和测量。
2.定位广播生物芯片:胶囊内窥镜、生物传感器、药物输送系统等微型无线医疗设备的功能主要取决于它们在体内的位置。然而，现有的电磁、声学和基于成像的定位和与此类设备通信的方法受到组织物理特性或成像方式性能的限制。我们最近开发了一种新型微芯片，通过在硅集成电路中体现核磁共振原理，用于微型设备的本地化。我们模拟了核自旋的行为，并设计了微型射频发射机，通过根据当地磁场的比例改变输出频率来编码它们在空间中的位置。然后，外部场梯度的应用允许每个设备从其信号频率精确定位。该技术对组织特性具有固有的健壮性，可扩展到多种设备，适用于开发用于监测和治疗疾病的微型设备。暑期实习生可以从事这项新技术的各个方面的工作，包括低功耗模拟和混合信号ic的设计、仿真和测量，以及用于与这些新设备接口的外部多通道射频接收机。
3.无线植入式生物传感器-植入式生物传感器是一种新型设备，能够在体内持续监测临床相关生物标志物。随着这些设备变得越来越小，在保持或提高性能的同时降低功耗是至关重要的。我们专注于开发高灵敏度、高动态范围和低功耗的微型电化学传感器，用于测量不同的生物标志物，如葡萄糖、蛋白质和离子。暑期实习生可以从事无线植入式生物传感器ic的各个方面的工作，包括组件和系统的设计、模拟和测量。
David R. Traum教授
网站:http://nld.ict.usc.edu/group
项目:自然语言对话系统——我们感兴趣并致力于提高这些系统的性能和扩展功能的许多领域。与许多实验室只专注于助手系统或聊天不同，我们在以下应用(以及其他应用)上进行了广泛的研究:虚拟人类对话与机器人对话角色扮演对话与历史和英雄对话(真人视频)游戏中的对话扩展对话互动讲故事对话
帕克教授
网站:http://ceng.usc.edu/%7Eparker/BioRC_research.html
研究领域:人脑中模拟神经元的神经形态回路。
集团简介:我的团队研究的是纳米技术和模拟电子电路，它们可以捕捉类似大脑的行为。
项目:
1.大脑皮层中模拟神经元学习新技能而不遗忘的神经形态回路。
2.采用纳米技术模型(碳纳米管、忆阻器、二硫化钼)的电路来模拟神经元。
3.模拟机器猫皮层神经元的神经形态电路。之前的IIT实习生都是实习期间会议论文的主要作者。有高中生物背景就足够了。
2017年9月18日出版
最后更新于2022年12月12日
