Corso di laurea

Ingegneria elettronica per l'intelligenza artificiale

Università degli studi di Bologna · 34 materie · 0 file condivisi

Ecco tutti i dettagli sul corso di laurea selezionato. Sul UniDocs troverai gli appunti condivisi dagli altri studenti del tuo corso di laurea, ordinati per materia. Ricordati che per poter visualizzare il materiale devi essere registrato al sito e possedere un numero di crediti sufficiente.

Sfoglia il materiale didattico

Con UniDocs hai l'opportunità di studiare insieme a tutto il tuo corso di laurea. Guadagna subito dei crediti, carica il materiale del tuo ultimo esame!
Più condividi, più tempo avrai per studiare con tutta la community!

Materie del corso

ELETTRONICA ANALOGICA INTEGRATA LM 1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente possiede gli strumenti necessari per affrontare lo studio dei circuiti integrati analogici. Gli argomenti trattati includono gli effetti a canale corto, gli schemi di amplificatori…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede gli strumenti necessari per affrontare lo studio dei circuiti integrati analogici. Gli argomenti trattati includono gli effetti a canale corto, gli schemi di amplificatori elementari e alcune soluzioni circuitali più avanzate. Al termine del corso, lo studente è in grado di: (a) discutere il funzionamento di un transistor MOS al variare della polarizzazione; (b) progettare riferimenti di tensione, di corrente e stadi amplificatori elementari; (c) progettare amplificatori operazionali a partire da specifiche di guadagno, velocità, comportamento in frequenza. Sono presentati e commentati esempi concreti per sviluppare la capacità di analisi e progetto.

Programma

Alcuni richiami sui modelli ai grandi e piccoli segnali dei transistori MOS. Cenni sull'evoluzione e l'impatto delle nuove tecnologie sui dispositivi, le loro prestazioni e i modelli. Studio sulle proprietà degli stadi amplificatori CMOS a singolo stadio. Configurazione cascode. Generatori e specchi di corrente, riferimenti di tensione. La coppia differenziale. I concetti di stabilità e retroazione nei circuiti analogici integrati. Non idealità, slew rate e principali tecniche di compensazione per garantire la stabilità in configurazione ad anello chiuso. Amplificatori operazionali e OTA. Topologie principali, specifiche e parametri caratteristici (nel tempo e in frequenza). Analisi dettagliata di un classico schema di operazionale a due stadi Cenni sulle soluzione Rail-to-Rail e sulla retroazione di modo comune. Esempi di circuiti analogici integrati (amplificatori e filtri).

Modalità d'esame

La verifica dell'apprendimento avviene attraverso una prova scritta finale della durata di 2 ore, costituita da due esercizi e una domanda di teoria a risposta libera. Durante l'esame non è ammesso l'uso di PC, libri o appunti.
La prova scritta mira ad accertare il livello di comprensione acquisito nella analisi e nel progetto dei blocchi analogici fondamentali di un sistema elettronico, valutando la capacità di risolvere i problemi illustrati nell'ambito delle tematiche affrontate nel corso.
Su richiesta dello studente è possibile sostenere una prova orale facoltativa incentrata sui tipi di amplificatori CMOS integrati presentati nel corso, valutando la capacità di sintesi e di utilizzazione del linguaggio tecnico appropriato da parte dello studente.
L’IA può essere uno strumento utile per coadiuvare lo studio individuale con approfondimenti, sintesi e percorsi di autovalutazione. Per quanto riguarda la verifica dell’apprendimento, durante l’esame in presenza l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo (https://site.unibo.it/studenti-con-disabilita-e-dsa/it). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

E' di importanza fondamentale l'utilizzo degli appunti presi a lezione e del materiale didattico integrativo (esempi ed esercizi) reso disponibile online all'interno dell'applicativo Virtuale. Si consiglia inoltre la consultazione dei seguenti testi:
R.C. Jaeger, T. Blalock, B.J Blalock "Microelettronica" McGraw Hill 6a Ed. 2023 P.R. Gray, P.J Hurst, S.H Lewis, R.G. Meyer, "Analysis and Design of analog integrated circuits", 5th ed. New York, NY (USA): John Wiley & Sons, 2009. T. C. Carusone, D.A. Johns, K. Martin, "Analog Integrated Circuit Design", 2nd ed. John Wiley & Sons, 2011

Codice insegnamento B0159

MACHINE LEARNING E STATISTICA PER L'ELABORAZIONE DEI SEGNALI LM (C.I.) 1° anno · 2° semestre · 0 file

Al termine del corso lo studente possiede le competenze per la progettazione e implementazione di soluzioni di machine learning in contesti ingegneristici, con particolare riferimento ai segnali e alle telecomunicazioni.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede le competenze per la progettazione e implementazione di soluzioni di machine learning in contesti ingegneristici, con particolare riferimento ai segnali e alle telecomunicazioni. In particolare, lo studente è in grado di: - Applicare modelli di apprendimento automatico per la compressione, il filtraggio e la predizione di segnali. - Progettare e utilizzare algoritmi di machine learning per migliorare la performance di sistemi di elaborazione dei segnali e di comunicazione. - Integrare tecniche di machine learning con metodi tradizionali di elaborazione del segnale.

Programma

Richiami su segnali tempo-discreti: energia, potenza, autocorrelazione, DTFT e spettro di potenza. DFT, IDFT, rappresentazione matriciale della DFT e FFT. Stima spettrale non parametrica: periodogramma, zero-padding, risoluzione spettrale, periodogramma mediato, metodo di Welch e finestratura. Analisi tempo-frequenza mediante STFT e spettrogramma; compromesso tra risoluzione temporale e risoluzione frequenziale.
Trasformata Z: regione di convergenza, proprietà e antitrasformata. Sistemi LTI tempo-discreti: causalità, stabilità BIBO, risposta impulsiva, poli e zeri. Filtri digitali IIR e FIR: proprietà, progetto di filtri IIR e FIR, filtri FIR a fase lineare, metodo equiripple e metodo del campionamento in frequenza. Implementazione efficiente del filtraggio tramite FFT: fast convolution, overlap-and-add e fast correlation.
Filtraggio adattativo: filtro di Wiener, criterio MMSE e algoritmo LMS.
Introduzione al machine learning per il signal processing. Dal processing lineare al processing non lineare appreso dai dati. Reti neurali shallow e deep, funzioni di attivazione, regioni lineari e capacità espressiva. Loss functions derivate dal principio di maximum likelihood: regressione, classificazione binaria e classificazione multiclasse. Cross-entropy e cenni alla Kullback-Leibler divergence. Training tramite gradient descent, stochastic gradient descent, momentum, Adam e backpropagation.
Regolarizzazione, overfitting, generalizzazione, early stopping, dropout, data augmentation, regolarizzazione di Tikhonov, LASSO ed Elastic-net. Interpretazione bayesiana della regolarizzazione tramite criterio MAP.
Applicazioni: equalizzazione di canale, cancellazione d’eco, classificazione non lineare, regressione non lineare, anomaly detection tramite autoencoder, filtraggio non lineare tempo-variante per il denoising neurale di segnali audio mediante STFT e maschere tempo-frequenza apprese.

Modalità d'esame

La verifica dell’apprendimento avviene mediante un esame articolato in due parti:
svolgimento di un esercizio relativo agli argomenti del corso; prova orale, comprendente la discussione della soluzione dell’esercizio e domande sugli strumenti teorici e metodologici acquisiti durante il corso.
L’esercizio ha lo scopo di accertare la capacità dello studente di applicare i metodi studiati alla risoluzione di problemi di elaborazione dei segnali e machine learning per il signal processing. La prova orale mira a verificare la comprensione dei concetti fondamentali, la padronanza degli strumenti matematici e algoritmici presentati nel corso e la capacità di collegare gli aspetti teorici alle applicazioni trattate.
Il voto finale, espresso in trentesimi, tiene conto complessivamente delle valutazioni ottenute nelle due parti dell’esame.
Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo (https://site.unibo.it/ studenti-con-disabilita-e-dsa/ it [https://site.unibo.it/studenti-con-disabilita-e-dsa/it):] ). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Simon J. D. Prince, Understanding Deep Learning, The MIT Press, 2023. D. J. C. MacKay, Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003. S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2nd ed. Academic Press, 2020. C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006. T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009. J. Watt, R. Borhani, and A. K. Katsaggelos, Machine Learning Refined: Foundations, Algorithms, and Applications, 2nd ed. Cambridge University Press, 2020.

Codice insegnamento B8374

MACHINE LEARNING LM 1° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file

Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare sistemi capaci di apprendere in modo automatico - implementare tecniche di classificazione,…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, anche grazie a una rilevante attività di laboratorio, lo studente sarà in grado di: - progettare sistemi capaci di apprendere in modo automatico - implementare tecniche di classificazione, regressione e clustering per risolvere problemi in diversi ambiti applicativi - utilizzare reti neurali e tecniche di base in ambito deep learning.

Programma

Intelligenza Artificiale e Machine Learning Apprendimento Automatico Supervisionato e Non supervisionato Classificazione e Regressione Classificatori: Bayes, k-Nearest Neighbor, Support Vector Machines, Multiclassificatori Clustering (K-means, EM) e Riduzione di Dimensionalità (PCA, DA) Neural Networks (NN) Introduzione al Deep Learning Convolutional Neural Networks (CNN) Reti Ricorrenti (RNN) Transformers e Large Language Models (LLM) Reinforcement Learning (RL)

Modalità d'esame

Esame scritto dalla durata di 90 minuti con esercizi e domande con risposta e testo libero.
Esempi di esami precedenti (con correzione) sono disponibili sulla pagina web del corso.
Non è possibile consultare materiale (es. dispense, libri, appunti) ma può essere usata una semplice calcolatrice (no smartphone).
Il punteggio (in trentesimi) è calcolato come somma dei punteggi dei singoli esercizi e domande. Il punteggio dei singoli esercizi può essere leggermente differente a seconda della loro complessità. Se il punteggio totale raggiunto è maggiore di 30 il voto finale è 30 e lode.

Testi di riferimento

Dispense a cura del docente disponibili su Virtuale

Codice insegnamento 88202

MACHINE LEARNING PER L'ELABORAZIONE DEI SEGNALI LM 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Al termine del corso lo studente possiede le competenze per la progettazione e implementazione di soluzioni di machine learning in contesti ingegneristici, con particolare riferimento ai segnali e alle telecomunicazioni.…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede le competenze per la progettazione e implementazione di soluzioni di machine learning in contesti ingegneristici, con particolare riferimento ai segnali e alle telecomunicazioni. In particolare, lo studente è in grado di: - Applicare modelli di apprendimento automatico per la compressione, il filtraggio e la predizione di segnali. - Progettare e utilizzare algoritmi di machine learning per migliorare la performance di sistemi di elaborazione dei segnali e di comunicazione. - Integrare tecniche di machine learning con metodi tradizionali di elaborazione del segnale.

Programma

Richiami su segnali tempo-discreti: energia, potenza, autocorrelazione, DTFT e spettro di potenza. DFT, IDFT, rappresentazione matriciale della DFT e FFT. Stima spettrale non parametrica: periodogramma, zero-padding, risoluzione spettrale, periodogramma mediato, metodo di Welch e finestratura. Analisi tempo-frequenza mediante STFT e spettrogramma; compromesso tra risoluzione temporale e risoluzione frequenziale.
Trasformata Z: regione di convergenza, proprietà e antitrasformata. Sistemi LTI tempo-discreti: causalità, stabilità BIBO, risposta impulsiva, poli e zeri. Filtri digitali IIR e FIR: proprietà, progetto di filtri IIR e FIR, filtri FIR a fase lineare, metodo equiripple e metodo del campionamento in frequenza. Implementazione efficiente del filtraggio tramite FFT: fast convolution, overlap-and-add e fast correlation.
Filtraggio adattativo: filtro di Wiener, criterio MMSE e algoritmo LMS.
Introduzione al machine learning per il signal processing. Dal processing lineare al processing non lineare appreso dai dati. Reti neurali shallow e deep, funzioni di attivazione, regioni lineari e capacità espressiva. Loss functions derivate dal principio di maximum likelihood: regressione, classificazione binaria e classificazione multiclasse. Cross-entropy e cenni alla Kullback-Leibler divergence. Training tramite gradient descent, stochastic gradient descent, momentum, Adam e backpropagation.
Regolarizzazione, overfitting, generalizzazione, early stopping, dropout, data augmentation, regolarizzazione di Tikhonov, LASSO ed Elastic-net. Interpretazione bayesiana della regolarizzazione tramite criterio MAP.
Applicazioni: equalizzazione di canale, cancellazione d’eco, classificazione non lineare, regressione non lineare, anomaly detection tramite autoencoder, filtraggio non lineare tempo-variante per il denoising neurale di segnali audio mediante STFT e maschere tempo-frequenza apprese.

Modalità d'esame

La verifica dell’apprendimento avviene mediante un esame articolato in due parti:
svolgimento di un esercizio relativo agli argomenti del corso; prova orale, comprendente la discussione della soluzione dell’esercizio e domande sugli strumenti teorici e metodologici acquisiti durante il corso.
L’esercizio ha lo scopo di accertare la capacità dello studente di applicare i metodi studiati alla risoluzione di problemi di elaborazione dei segnali e machine learning per il signal processing. La prova orale mira a verificare la comprensione dei concetti fondamentali, la padronanza degli strumenti matematici e algoritmici presentati nel corso e la capacità di collegare gli aspetti teorici alle applicazioni trattate.
Il voto finale, espresso in trentesimi, tiene conto complessivamente delle valutazioni ottenute nelle due parti dell’esame.
Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo (https://site.unibo.it/ studenti-con-disabilita-e-dsa/ it [https://site.unibo.it/studenti-con-disabilita-e-dsa/it):] ). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Simon J. D. Prince, Understanding Deep Learning, The MIT Press, 2023. D. J. C. MacKay, Information Theory, Inference and Learning Algorithms. Cambridge University Press, 2003. S. Theodoridis, Machine Learning: A Bayesian and Optimization Perspective, 2nd ed. Academic Press, 2020. C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006. T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009. J. Watt, R. Borhani, and A. K. Katsaggelos, Machine Learning Refined: Foundations, Algorithms, and Applications, 2nd ed. Cambridge University Press, 2020.

Codice insegnamento B8375

METODI STATISTICI PER L'INGEGNERIA DELL'INFORMAZIONE LM 1° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Al termine del corso lo studente possiede competenze avanzate nella detection, stima e modellazione di processi aleatori, con un focus sull’applicazione a problemi nell’ambito dell’ingegneria dell’informazione. Lo…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente possiede competenze avanzate nella detection, stima e modellazione di processi aleatori, con un focus sull’applicazione a problemi nell’ambito dell’ingegneria dell’informazione. Lo studente possiede le conoscenze necessarie per progettare sistemi avanzati di rilevazione e stima di parametri, sfruttando tecniche statistiche per l'analisi di segnali e dati. Particolare attenzione è dedicata a casi di studio concreti, come quelli relativi ai sistemi radar e alle telecomunicazioni.

Programma

Il corso introduce i principi e le tecniche dell’inferenza statistica applicata all'ingegneria dell’informazione, con particolare attenzione alla stima di parametri, alla teoria della decisione, al machine learning, e ai metodi di filtraggio stocastico. Le metodologie trattate trovano applicazione in diversi ambiti avanzati, tra cui machine learning, radar, comunicazioni wireless, localizzazione.
Contenuti principali:
Richiami di probabilità e statistica
Teoria della stima
Teoria della decisione
Stima di processi aleatori e sistemi dinamici (Kalman filter, EKF)
Machine Learning e inferenza statistica
Applicazioni ai sistemi radar
Applicazione alle comunicazioni wireless
Esercitazioni e casi di studio con Python/Matlab

Modalità d'esame

La verifica dell’apprendimento avviene esclusivamente tramite prova scritta, di durata di norma pari a 2.5 ore, comprendente:
esercizi pratici di calcolo, modellazione e simulazione relativi a problemi di stima, filtraggio e decisione; domande teoriche, a risposta aperta o breve, sui concetti fondamentali del corso.
La prova scritta viene successivamente discussa con il docente in un colloquio. La valutazione finale è espressa in trentesimi, con possibilità di lode.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

  • Appunti del corso forniti dal docente
  • S. Kay, Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, and Volume II: Detection Theory. Prentice Hall 1998
  • Van Trees, Detection, Estimation, and Modulation Theory, Part I, second edition. Wiley 2010.
  • T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2017. Free online version

Codice insegnamento B8376

PROGETTO DI COMPONENTI E CIRCUITI PER SISTEMI WIRELESS LM 1° anno · 1° semestre · 6 CFU · IINF-02/A · 0 file

Al termine del corso, lo studente è in grado di apprendere varie tecniche utilizzate nella progettazione di circuiti a microonde e a onda millimetrica. Vengono studiati i circuiti lineari e non lineari necessari per…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente è in grado di apprendere varie tecniche utilizzate nella progettazione di circuiti a microonde e a onda millimetrica. Vengono studiati i circuiti lineari e non lineari necessari per costruire un intero transceiver e gli argomenti correlati che sono rilevanti per la progettazione di componenti e sistemi a microonde. Viene sviluppato un progetto di gruppo mediante CAD basato sul metodo del bilanciamento armonico che combina sia la a parte circuitale che quella radiante di un tipico sistema wireless.

Programma

Blocchi funzionali dei sistemi wireless a radiofrequenza (RF) e le principali non-linearità che stanno alla base del loro funzionamento, e strumenti per poterli analizzare e progettare.
Metodi analitici per caratterizzare le principali non linearità in regime mono e multitonale: generazione di nuove frequenze, saturazione, conversione e distorsione non-lineare.
Teoria dei principali circuiti lineari per la realizzazione di circuiti a radiofrequenza in tecnologia planare: risuonatori, accoppiatori direzionali. Cenni a principali applicazioni per scopi di sensing a radiofrequenza.
Modelli circuitali non-lineari dei dispositivi attivi per la generazione di potenza (lato trasmettitore) e per la conversione RF-dc (lato ricevitore): MESFET e DIODI.
Metodo del bilanciamento armonico ed introduzione ai simulatori commerciali di circuiti non lineari a RF. Definizione delle principali funzioni di rete per la valutazione circuitale di un sistema a RF. In particolare viene considerata l’efficienza di un intero collegamento Wireless Power Transfer (WPT) e vengono descritti dal punto di vista circuitale e sistemistico i diversi contributi. Analisi e progetto dei sottosistemi per WPT sia radiativi (far-field) che non (near-field).
Analisi di componenti passivi a RF/microonde come accoppiatori e divisori di potenza.
Tecniche near-field
Accoppiamento induttivo e capacitivo: progetto del link wireless e definizione dell’efficienza.
Schemi e progetti di trasmettitori e del ricevitori.
Tecniche far-field
Raccolta di energia dall’ambiente e trasmissione di potenza intenzionale
Principali caratteristiche delle antenne da utilizzate
Possibili schemi di sistemi per la ricezione della potenza. Diverse topologie di rectenna (antenna rettificatrice).
La parte finale del corso è dedicata allo studio di:

  • alcune applicazioni di sistemi di trasmissione near-field per dispositivi indossabili o impiantabili
  • Rectenne a larga banda per Energy Harvesting dall’ambiente (far-field).

Modalità d'esame

L’esame consiste in una prova orale. A completamento della verifica della valutazione gli studenti hanno la possibilità di svolgere un progetto in gruppi, volto alla progettazione di una rectenna. Allo svolgimento del progetto saranno dedicate ore di laboratorio durante le quali gli studenti potranno confrontarsi con il docente e chiarire eventuali dubbi, da svolgersi in parallelo ad un impegno autonomo da parte degli studenti, qualora necessario.
Lo svolgimento dei progetti è consigliato per completare la conoscenza dei concetti trattai nel corso, ma non è obbligatorio. I progetti sono discussi a fine corso tramite presentazioni power point da parte degli studenti, durante le quali il docente potrà fare qualche domanda tecnica sulle procedure di svolgimento.
La consegna del progetto da parte di ogni gruppo dà accesso alla possibilità di ottenere il voto massimo (30 e Lode) mentre la mancata consegna comporta un massimo di valutazione raggiungibile pari a 27.
Durata e modalità di svolgimento della prova d’esame.
L’esame consiste in una prova orale composta da due domande che possono essere articolate tramite l’uso della lavagna o di un foglio. Le domande vertono sugli argomenti trattati nell’intero corso, come da programma. Non è ammesso l’uso di appunti, libri, dispense e strumenti di calcolo. Un’eventuale terza domanda per meglio definire la valutazione finale sarà a discrezione del docente.
Criteri di valutazione della prova d’esame:
-Conoscenza insufficiente degli argomenti trattati nel corso, capacità inadeguata di analisi critica, nonché utilizzo di un linguaggio scorretto o impreciso comporteranno una valutazione negativa. In caso di esito insufficiente, sarà necessario ripetere la prova orale mentre verrà mantenuto valido il progetto eventualmente consegnato.
-Preparazione che dimostra un limitato grado di approfondimento della comprensione degli argomenti trattati. Autonomia molto limitata nella risoluzione dei problemi proposti e delle domande di ragionamento. Le capacità di analisi risultano deboli e si manifestano principalmente con il supporto del docente. L’espressione è generalmente corretta, seppur semplice. → Voto indicativo: 18–19.
-Preparazione che dimostra un buon grado di approfondimento della comprensione degli argomenti trattati. Autonomia limitata nella risoluzione dei problemi proposti e delle domande di ragionamento. Le capacità di analisi risultano buone e si manifestano anche senza il supporto del docente. Utilizzo di un linguaggio generalmente corretto. → Voto indicativo: 20–24.
-Preparazione che dimostra un ottimo grado di approfondimento della comprensione degli argomenti trattati. Buona autonomia nella risoluzione dei problemi proposti e delle domande di ragionamento. Padronanza appropriata della terminologia tecnica specifica.
Voto indicativo: 25-27 (in assenza di svolgimento del progetto), → Voto indicativo: 25–29 (in presenza di svolgimento e consegna del progetto).

  • Preparazione che dimostra un eccellente grado di approfondimento della comprensione degli argomenti trattati. Eccellente autonomia nella risoluzione dei problemi complessi e delle domande di ragionamento, nonché svolgimento e consegna del progetto di gruppo → Voto indicativo: 30–30L.
    La partecipazione all’esame necessita di iscrizione su ALMAEsami

Testi di riferimento

D. Pozar, Microwave engineering, 4th Edition, Wiley

Codice insegnamento B8381

PROPAGAZIONE E PIANIFICAZIONE NEI SISTEMI WIRELESS LM 1° anno · 2° semestre · 6 CFU · IINF-02/A · 0 file

Al termine del corso lo studente: Conosce i fondamenti della propagazione elettromagnetica in presenza di ostacoli. Conosce i concetti fondamentali della teoria geometrica della propagazione, e delle tecniche di ray…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente: Conosce i fondamenti della propagazione elettromagnetica in presenza di ostacoli. Conosce i concetti fondamentali della teoria geometrica della propagazione, e delle tecniche di ray tracing. Conosce la propagazione multicammino, e l’impatto di essa sul canale radiomobile in configurazione SISO o MIMO. Conosce i componenti dell’attenuazione e del fading, e i principali modelli per la previsione di coperture e canale radio, inclusi quelli basati su machine learning. Conosce principali architetture, tecniche di progetto e di pianificazione di sistemi wireless.

Programma

Introduzione. Diverse accezioni di mobilità e suo ottenimento nei diversi sistemi d'area. Propagazione ideale e reale: modalità di propagazione in presenza di ostacoli. Riflessione del suolo, diffrazione, ellissoide di Fresnel. Cenni di ottica geometrica e teoria geometrica della propagazione. Cammini multipli. Metodi di ray tracing e modelli di propagazione deterministici.
Effetto dei cammini multipli sul canale radiomobile: caratterizzazione multidimensionale della propagazione. Schiere di Antenne. Cenno a tecniche MIMO e beamforming. Modelli di canale.

Modalità d'esame

L'esame consiste in un test scritto e in un orale. Scritto e orale si svolgono nella data dell'appello ufficiale (in cui e' possibile registrare il voto). Il voto finale risulta dalla valutazione complessiva di scritto e orale. E' possibile visionare ed eventualmente discutere la prova scritta solo all'orale. Candidati la cui prova scritta e' insufficiente (voto medio insufficiente) sono sconsigliati a sostenere l'orale.
La validità degli scritti e' limitata all'appello in corso.
Gli esami dei due moduli del corso integrato devono essere svolti a distanza massima di un anno solare

Testi di riferimento

Lucidi e dispense del corso.
H. L. Bertoni, Radio Propagation for Modern Wireless Systems, Prentice Hall, 2000
C. A. Balanis, Advanced Engineering Electromagnetics, Wiley, 1989

Codice insegnamento 86012

PROPAGAZIONE E TECNOLOGIE WIRELESS LM (C.I.) 1° anno · 1° semestre · 0 file

Al termine del corso lo studente: Conosce i fondamenti della propagazione elettromagnetica in presenza di ostacoli. Conosce i concetti fondamentali della teoria geometrica della propagazione, e delle tecniche di ray…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente: Conosce i fondamenti della propagazione elettromagnetica in presenza di ostacoli. Conosce i concetti fondamentali della teoria geometrica della propagazione, e delle tecniche di ray tracing. Conosce la propagazione multicammino, e l’impatto di essa sul canale radiomobile in configurazione SISO o MIMO. Conosce i componenti dell’attenuazione e del fading, e i principali modelli per la previsione di coperture e canale radio, inclusi quelli basati su machine learning. Conosce principali architetture, tecniche di progetto e di pianificazione di sistemi wireless.

Programma

Introduzione. Diverse accezioni di mobilità e suo ottenimento nei diversi sistemi d'area. Propagazione ideale e reale: modalità di propagazione in presenza di ostacoli. Riflessione del suolo, diffrazione, ellissoide di Fresnel. Cenni di ottica geometrica e teoria geometrica della propagazione. Cammini multipli. Metodi di ray tracing e modelli di propagazione deterministici.
Effetto dei cammini multipli sul canale radiomobile: caratterizzazione multidimensionale della propagazione. Schiere di Antenne. Cenno a tecniche MIMO e beamforming. Modelli di canale.

Modalità d'esame

L'esame consiste in un test scritto e in un orale. Scritto e orale si svolgono nella data dell'appello ufficiale (in cui e' possibile registrare il voto). Il voto finale risulta dalla valutazione complessiva di scritto e orale. E' possibile visionare ed eventualmente discutere la prova scritta solo all'orale. Candidati la cui prova scritta e' insufficiente (voto medio insufficiente) sono sconsigliati a sostenere l'orale.
La validità degli scritti e' limitata all'appello in corso.
Gli esami dei due moduli del corso integrato devono essere svolti a distanza massima di un anno solare

Testi di riferimento

Lucidi e dispense del corso.
H. L. Bertoni, Radio Propagation for Modern Wireless Systems, Prentice Hall, 2000
C. A. Balanis, Advanced Engineering Electromagnetics, Wiley, 1989

Codice insegnamento B8380

SENSORI E ELETTRONICA ANALOGICA LM (C.I.) 1° anno · 1° semestre · 0 file

Al termine del corso lo studente conosce una metodologia generale di progettazione della catena di acquisizione sensoristica e non vincolata ad una particolare tassonometria. In particolare, lo studente conosce…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce una metodologia generale di progettazione della catena di acquisizione sensoristica e non vincolata ad una particolare tassonometria. In particolare, lo studente conosce l’ottimizzazione della risoluzione, banda e consumo di potenza dell’intero processo, dalla trasduzione alla conversione A/D fino all’implementazione della scelta decisionale mediante Machine Learning. Vengono mostrati esempi applicativi che mostrano sensoristica intelligente con modelli predittivi embedded.

Programma

PART I (6 CFU)
Program for:
SENSORI INTELLIGENTI [Laurea Magistrale in Ingegneria Elettronica e dell'Informazione] SENSORS & NANOTECHNOLOGY [Laurea Magistrale in Biomedical Engineering] EMBEDDED SENSORS [Laurea Magistrale in Ingegneria e Scienze Informatiche]
The goal of Part I is to give students fundamental know-how in sensor system design, approached from the perspective of behavioral building blocks and their technological implementation.
FUNDAMENTALS
· Introduction of the course, example of research.
· Fundamentals on sensors. Signals and information. Sensor as an information classifier. Interface, raw data and signal processing (Machine Learning).
· Basics on measurements. Characterization and operating mode. The concept of distributions and estimation. DC measurements. Digits and full-scale. Random and systematic errors. Introduction to the resolution, precision and accuracy concepts. The role of time and AC measurements. Power spectral distributions.
· Ideal sensor modeling. Interface as a black-box. The quasi-static function and its limits. The concept of sensitivity. Time and space quantization, the A/D converter. Acquisition chains and gain plots. Signal bandwidth.
· Recall of mathematical tools. Random signals, power and correlations. Random and ergodic processes.
· Non-ideal sensor modeling. The resolution/uncertainty duality. The law of propagation of errors.
· Comparing signal with noise. The concept of minimum detectable signal. The signal-to-noise ratio and the dynamic range. Systematic error modeling.
· The quantization process. The concepts of number of resolution levels and effective number of bits. Relationship with Information Theory. Resolution degradation in acquisition chains. Example of designs. The role of bandwidth, oversampling and non-aliasing filters.
· Feedback sensor design with examples.
· Sensor trade-offs and example of design.
ELECTRONIC INTERFACE DESIGN
[This section is OPTIONAL and NOT REQUIRED for EMBEDDED SENSORS students]
· Introduction of noise in circuit design. PSD and noise density. Thermal noise shot noise ad flicker noise. KTC noise. Superimposition of noise powers in uncorrelated signals. Equivalent noise bandwidth. Noise in OPAMPs.
Resistance sensors with examples. Strain-gauges. RTDs e PRTs. Thermistors, NTC e PTC. Magnetic sensors.
· Capacitive sensors. Kelvin guard ring. Charge amplifier. Differential capacitive sensing. Capacitive accelerometers. Noise in charge amplifiers. Correlated double sampling (CDS).
· Lock-in e chopper sensing. Complex impedance measurements by lock-in sensing.
· Introduction to optical sensors. The photodiode. Charge and voltage photodiode readout in storage mode. Passive pixel CMOS sensors (PPS) and active pixel (APS) sensors. APS with correlated doble sampling.
· Sensor networks.
SENSORS ECOSYSTEMS
[This section is OPTIONAL and NOT REQUIRED for SENSORI ELETT. INTELLIGENTI students]
· Brief overview of embedded sensor networks. I2C and SPI.
· Brief overview of wireless sensor communications and networks.
TOWARDS MACHINE LEARNING EMBEDDED SENSORS
· The concept of predictive models. Measured vs. predicted measurements plots.
· Dealing with multiple variables: scatter plots and correlation matrix in multivariate analysis.
· Reduction of variables using decomposition techniques. The PCA.
· Reduction to output values, introduction to the PLS technique
· Example of application: embedded spectral sensors
PART II (NANOTECHNOLOGY SECTION, 3 CFU)
Part II is offered exclusively to students in Biomedical Engineering and is intended to introduce the physical foundations of biosensor transduction principles at the micro- and nanoscale. These concepts will then be applied in the context of protocols and instruments for biomedical laboratories. This part will also include a hands-on laboratory experience at the end of the course.
· Photons, electrons and energetic interactions with matter. Fluorescence, phosphorescence and Raman scattering. Photon-electron transduction. Black body emission. Quantum efficiency and spectral sensitivity of transduction in semiconductors. Responsivity.
· Basics of geometrical optics. Refraction and diffraction. Optical resolution and its limits. Optical microscope. Basics of electron microscopy. Basics of atomic force microscope (AFM).
· The origin of noise. Brownian noise. Thermal noise and its derivation. Poisson processes. Shot noise and related derivation. The flicker noise and its derivation. Physical origin of flicker noise.
· Introduction of biosensing principles. Ion-electron transduction. Electrical polarization of the matter. Metal-liquid interface and interfacial states. Electrical models of ion/electron interfaces and electro impedance spectroscopy.
· Introduction to nanotechnology. Nanosensors: nanopores, nanotubes, nanowires, graphene, nanodots.
· Lab experience on electro-impedance or Raman spectrometry.

Modalità d'esame

L’esame consiste in un colloquio orale di 40-60m su entrambi i moduli didattici. Particolarmente valutate saranno le capacitа critiche dello studente sugli argomenti del programma e nelle sue capacita’ di contestualizzare e argomentare i concetti. L'esame potra’ essere svolto in lingua italiana o inglese. In entrambi i casi saranno valutate l’appropriatezza della terminologia utilizzata dallo studente.
Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo https://site.unibo.it/studenti-con-disabilita-e-dsa/it). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Main texbook
M. Tartagni, Electronic Sensor Design Principles, Cambridge Press, 2021
------------------------------------------------------------------------------------
Physical principles:
R. Feynman et al., The Feynman Lectures on Physics, Addison Wesley, 1963
Noise in electronics:
P. Gray, R. Meyer, Analysis and Design of Analog Integrated Circuits, Wiley 1993
Ion/electron interface, micro- and nano-fabrication:
H. Morgan, N. Green, AC Electrokinetics: colloids and nanoparticles, RSP Press, 2001
M. Madou, Fundamentals of Microfabrication, CRC Press, 2002
Electronic interfaces:
D. Johns, K. Martin, Analog Integrated Circuit Design, Wiley, 1997
B. Razavi, Design of Analog CMOS Integrated Circuits, McGraw-Hill, 2000
Machine learning and multivariate analysis:
Kevin Dunn, “Process improvement using data”, [Online]. Available: https://learnche.org/pid/
K. P. Murphy, Probabilistic machine learning: an introduction. Cambridge, Massachusetts: The MIT Press, 2022.

Codice insegnamento B8377

SENSORI ELETTRONICI INTELLIGENTI LM 1° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente conosce una metodologia generale di progettazione della catena di acquisizione sensoristica e non vincolata ad una particolare tassonometria. In particolare, lo studente conosce…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce una metodologia generale di progettazione della catena di acquisizione sensoristica e non vincolata ad una particolare tassonometria. In particolare, lo studente conosce l’ottimizzazione della risoluzione, banda e consumo di potenza dell’intero processo, dalla trasduzione alla conversione A/D fino all’implementazione della scelta decisionale mediante Machine Learning. Vengono mostrati esempi applicativi che mostrano sensoristica intelligente con modelli predittivi embedded.

Programma

PART I (6 CFU)
Program for:
SENSORI INTELLIGENTI [Laurea Magistrale in Ingegneria Elettronica e dell'Informazione] SENSORS & NANOTECHNOLOGY [Laurea Magistrale in Biomedical Engineering] EMBEDDED SENSORS [Laurea Magistrale in Ingegneria e Scienze Informatiche]
The goal of Part I is to give students fundamental know-how in sensor system design, approached from the perspective of behavioral building blocks and their technological implementation.
FUNDAMENTALS
· Introduction of the course, example of research.
· Fundamentals on sensors. Signals and information. Sensor as an information classifier. Interface, raw data and signal processing (Machine Learning).
· Basics on measurements. Characterization and operating mode. The concept of distributions and estimation. DC measurements. Digits and full-scale. Random and systematic errors. Introduction to the resolution, precision and accuracy concepts. The role of time and AC measurements. Power spectral distributions.
· Ideal sensor modeling. Interface as a black-box. The quasi-static function and its limits. The concept of sensitivity. Time and space quantization, the A/D converter. Acquisition chains and gain plots. Signal bandwidth.
· Recall of mathematical tools. Random signals, power and correlations. Random and ergodic processes.
· Non-ideal sensor modeling. The resolution/uncertainty duality. The law of propagation of errors.
· Comparing signal with noise. The concept of minimum detectable signal. The signal-to-noise ratio and the dynamic range. Systematic error modeling.
· The quantization process. The concepts of number of resolution levels and effective number of bits. Relationship with Information Theory. Resolution degradation in acquisition chains. Example of designs. The role of bandwidth, oversampling and non-aliasing filters.
· Feedback sensor design with examples.
· Sensor trade-offs and example of design.
ELECTRONIC INTERFACE DESIGN
[This section is OPTIONAL and NOT REQUIRED for EMBEDDED SENSORS students]
· Introduction of noise in circuit design. PSD and noise density. Thermal noise shot noise ad flicker noise. KTC noise. Superimposition of noise powers in uncorrelated signals. Equivalent noise bandwidth. Noise in OPAMPs.
Resistance sensors with examples. Strain-gauges. RTDs e PRTs. Thermistors, NTC e PTC. Magnetic sensors.
· Capacitive sensors. Kelvin guard ring. Charge amplifier. Differential capacitive sensing. Capacitive accelerometers. Noise in charge amplifiers. Correlated double sampling (CDS).
· Lock-in e chopper sensing. Complex impedance measurements by lock-in sensing.
· Introduction to optical sensors. The photodiode. Charge and voltage photodiode readout in storage mode. Passive pixel CMOS sensors (PPS) and active pixel (APS) sensors. APS with correlated doble sampling.
· Sensor networks.
SENSORS ECOSYSTEMS
[This section is OPTIONAL and NOT REQUIRED for SENSORI ELETT. INTELLIGENTI students]
· Brief overview of embedded sensor networks. I2C and SPI.
· Brief overview of wireless sensor communications and networks.
TOWARDS MACHINE LEARNING EMBEDDED SENSORS
· The concept of predictive models. Measured vs. predicted measurements plots.
· Dealing with multiple variables: scatter plots and correlation matrix in multivariate analysis.
· Reduction of variables using decomposition techniques. The PCA.
· Reduction to output values, introduction to the PLS technique
· Example of application: embedded spectral sensors
PART II (NANOTECHNOLOGY SECTION, 3 CFU)
Part II is offered exclusively to students in Biomedical Engineering and is intended to introduce the physical foundations of biosensor transduction principles at the micro- and nanoscale. These concepts will then be applied in the context of protocols and instruments for biomedical laboratories. This part will also include a hands-on laboratory experience at the end of the course.
· Photons, electrons and energetic interactions with matter. Fluorescence, phosphorescence and Raman scattering. Photon-electron transduction. Black body emission. Quantum efficiency and spectral sensitivity of transduction in semiconductors. Responsivity.
· Basics of geometrical optics. Refraction and diffraction. Optical resolution and its limits. Optical microscope. Basics of electron microscopy. Basics of atomic force microscope (AFM).
· The origin of noise. Brownian noise. Thermal noise and its derivation. Poisson processes. Shot noise and related derivation. The flicker noise and its derivation. Physical origin of flicker noise.
· Introduction of biosensing principles. Ion-electron transduction. Electrical polarization of the matter. Metal-liquid interface and interfacial states. Electrical models of ion/electron interfaces and electro impedance spectroscopy.
· Introduction to nanotechnology. Nanosensors: nanopores, nanotubes, nanowires, graphene, nanodots.
· Lab experience on electro-impedance or Raman spectrometry.

Modalità d'esame

L’esame consiste in un colloquio orale di 40-60m su entrambi i moduli didattici. Particolarmente valutate saranno le capacitа critiche dello studente sugli argomenti del programma e nelle sue capacita’ di contestualizzare e argomentare i concetti. L'esame potra’ essere svolto in lingua italiana o inglese. In entrambi i casi saranno valutate l’appropriatezza della terminologia utilizzata dallo studente.
Alle Studentesse e agli Studenti con DSA o disabilità temporanee o permanenti si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile, all'indirizzo https://site.unibo.it/studenti-con-disabilita-e-dsa/it). Sarà cura dell'ufficio proporre eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/la docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Main texbook
M. Tartagni, Electronic Sensor Design Principles, Cambridge Press, 2021
------------------------------------------------------------------------------------
Physical principles:
R. Feynman et al., The Feynman Lectures on Physics, Addison Wesley, 1963
Noise in electronics:
P. Gray, R. Meyer, Analysis and Design of Analog Integrated Circuits, Wiley 1993
Ion/electron interface, micro- and nano-fabrication:
H. Morgan, N. Green, AC Electrokinetics: colloids and nanoparticles, RSP Press, 2001
M. Madou, Fundamentals of Microfabrication, CRC Press, 2002
Electronic interfaces:
D. Johns, K. Martin, Analog Integrated Circuit Design, Wiley, 1997
B. Razavi, Design of Analog CMOS Integrated Circuits, McGraw-Hill, 2000
Machine learning and multivariate analysis:
Kevin Dunn, “Process improvement using data”, [Online]. Available: https://learnche.org/pid/
K. P. Murphy, Probabilistic machine learning: an introduction. Cambridge, Massachusetts: The MIT Press, 2022.

Codice insegnamento B8378

TECNOLOGIE MICROELETTRONICHE LM 1° anno · Annuale · 12 CFU · IINF-01/A · 0 file

Al termine del corso lo studente comprende il principio di funzionamento dei principali dispositivi a semiconduttore per la realizzazione di circuiti integrati digitali ed analogici, per il calcolo ad elevate…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente comprende il principio di funzionamento dei principali dispositivi a semiconduttore per la realizzazione di circuiti integrati digitali ed analogici, per il calcolo ad elevate prestazioni, la conversione energetica per applicazioni di potenza e di monitoraggio ambientale. È in grado di analizzare le implicazioni delle opzioni tecnologiche sulle prestazioni dei dispositivi. Conosce le tecniche di fabbricazione dei circuiti integrati ad elevatissima scala di integrazione e le problematiche connesse con l'esigenza di un continuo sviluppo tecnologico. Conosce il flusso di progettazione dei circuiti integrati ed è in grado di progettare e caratterizzare elementi circuitali elementari.

Programma

Meccanica quantistica e modelli semiclassici di trasporto: dualismo onda-particella.
Equazione di Schroedinger; quantizzazione energetica; relazione di dispersione in un cristallo; semiconduttori a bandgap diretto ed indiretto.
Approssimazione di massa efficace. Tunneling quanto-meccanico.
Elettroni e lacune nei semiconduttori. Semiconduttori all'equilibrio. Trasporto di carica nei semiconduttori. Modello di trasporto drift-diffusion.
Giunzione P-N - Diodi. Giunzione PN all'equilibrio. Giunzione PN fuori equilibrio. Calcolo della corrente ai morsetti. Principali effetti di non idealità. Effetti reattivi del diodo.
Condensatore MOS. Analisi qualitativa e quantitativa. Calcolo della soglia e delle capacità.
Celle fotovoltaiche.
Diodi LED.
Transistore MOS. Modello di canale graduale. Funzionamento sottosoglia. Principali effetti di non idealità. MOS avanzati. Scaling. Effetti di canale corto.
Transistori MOS di potenza.
Introduzione ai semiconduttori organici.
Evoluzione della tecnologia microelettronica: caratteristiche di base della tecnologia microelettronica.
Progettazione microelettronica, con particolare riferimento al flusso di progetto per circuiti integrati mediante l’uso di programmi CAD Electronic Design Automation (EDA)
Il processo CMOS: tecnologia, flusso di progettazione e relativi strumenti software. Richiami sul ritardo di propagazione e sul consumo di potenza di celle digitali in logica CMOS statica. Regole di composizione delle logiche statiche CMOS per la realizzazione di funzioni logiche complesse. Registri statici CMOS, ritardo di propagazione e tempi di setup/hold. Effetti parassiti associati al transistore MOS e alle interconnessioni. Richiami al simulatore circuitale SPICE. Modelli del transistor MOS. Layout del transistore MOS. Cenni a variabilità dei parametri, corner di simulazione e matching dei dispositivi. Layout di macrocelle digitali mediante metodologia a celle standard. Regole di layout e controlli DRC. Controlli LVS. Estrazione dei parassiti e simulazione post-layout di macrocelle. Cenni a pad frame e protezioni ESD. Progettazione, layout e simulazione di macrocelle mediante software CAD EDA. Tecnologie MEMS: processi di fabbricazione, esempi di strutture e sensori.

Modalità d'esame

La verifica dell'apprendimento è effettuata mediante una prova orale, e consiste in una serie di domande volte ad accertare la conoscenza degli aspetti tecnologici e concettuali presentati a lezione.
Il raggiungimento da parte dello studente di una visione organica dei temi affrontati a lezione congiunta alla loro utilizzazione critica, la dimostrazione del possesso di una padronanza espressiva e di linguaggio specifico saranno valutati con voti di eccellenza. La conoscenza per lo più meccanica e/o mnemonica della materia, capacità di sintesi e di analisi non articolate e/o un linguaggio corretto ma non sempre appropriato porteranno a valutazioni discrete; lacune formative e/o linguaggio inappropriato – seppur in un contesto di conoscenze minimali del materiale d'esame - condurranno a voti che non supereranno la sufficienza. Lacune formative, linguaggio inappropriato, mancanza di orientamento all'interno dei materiali bibliografici offerti durante il corso non potranno che essere valutati negativamente.
Inoltre, gli studenti dovranno sviluppare un progetto di un circuito digitale in una tecnologia CMOS di riferimento basandosi su celle standard, redigendo una relazione in cui dovranno essere evidenziate le principali scelte progettuali e valutate le prestazioni ottenute mediante simulazioni circuitali. L'esame consisterà nella discussione della relazione da parte dello studente e in un colloquio orale volto a verificare la conoscenza dei contenuti presentati nel corso. Costituiranno elementi di valutazione la conoscenza e l'applicazione dei concetti e delle tecniche di progetto presentate durante il corso, la padronanza dei concetti presentati, l'uso corretto del linguaggio tecnico della disciplina.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Le dispense presentate a lezione vengono messe a disposizione dello studente in formato elettronico nei repository istituzionali. I seguenti volumi possono tuttavia essere utili allo studenti ai fini di consultazione
Dispositivi per la microelettronica G. Ghione, Mc GrawHill Italia, 1998.
Fundamentals of MODERN VLSI DEVICES Yuan Taur, Tak H. Ning Cambridge University Press ISBN 0 521 55959 6 J. D. Plummer, M. D. Deal, P. B. Griffin, "Silicon VLSI Technology - Fundamentals, Practice and Modeling", Prentice Hall, 2000
Richard S. Muller, Theodore I. Kamins, “Device Electronics for Integrated Circuits
J. Rabaey, A. Chandrakasan, B. Nikolic, Digital Integrated Circuits: A Design Perspective, 2nd Edition 2003, Prenctice Hall. (http://bwrc.eecs.berkeley.edu/Classes/IcBook/index.html)
R. Baker, CMOS Circuit Design, Layout, and Simulation, Third Edition, Wiley-IEEE Press, 2010. (http://cmosedu.com).

Codice insegnamento B8379

ANALISI NUMERICA LM 2° anno · 1° semestre · 6 CFU · MATH-05/A · 0 file

Al termine del corso, lo studente conosce gli aspetti numerico-matematici e le principali metodologie algoritmiche alla base del calcolo scientifico e dell'analisi dei dati. In particolare, lo studente è in grado di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente conosce gli aspetti numerico-matematici e le principali metodologie algoritmiche alla base del calcolo scientifico e dell'analisi dei dati. In particolare, lo studente è in grado di utilizzare metodi di algebra lineare numerica per l'analisi dei dati, per risolvere sistemi lineari e non lineari di grandi dimensioni, problemi di interpolazione, approssimazione dati ai minimi quadrati, integrazione numerica e differenziazione, metodi di ottimizzazione e tecniche di regolarizzazione. Il corso prevede un'attività di laboratorio che ne costituisce parte integrante che permette allo studente di implementare ed eseguire analisi di dati al calcolatore ed applicare le metodologie studiate a casi prova.

Programma

Analisi Numerica (6CFU)
1. Richiami di algebra lineare : vettori, matrici , norme di vettori e di matrici, spazio vettoriale, base, autovalori, calcolo matriciale.
2. Fondamenti della matematica numerica: sorgenti di errore nei modelli computazionali, numeri finiti, algoritmi, condizionamento di un problema, stabilita' numerica.
3. Introduzione all'ambiente MATLAB, programmazione e risoluzione di semplici problemi di ingegneria.
4. Risoluzione di sistemi lineari. Metodi diretti: Fattorizzazione LU, il metodo di eliminazione di Gauss, strategie di pivoting, algoritmo di Cholesky, algoritmo di Thomas. Risoluzione di sistemi lineari Metodi iterativi: Gauss-Seidel, Gradienti Coniugati, Precondizionamento.
5. Risoluzione numerica di equazioni e sistemi non lineari: Metodo di bisezione, metodo di Newton, secanti, regula falsi.
6. Approssimazione polinomiale di dati ai minimi quadrati: Metodo delle equazioni normali, utilizzo fattorizzazione QR, SVD . Interpolazione polinomiale e interpolazione polinomiale a tratti.
7. Metodi di regolarizzazione per problemi inversi malposti, Principal Component Analysis.
8. Integrazione numerica: formule di quadratura di Newton Cotes semplici e composite. Derivazione Numerica
9. Ottimizzazione numerica: metodo del gradiente, del gradiente stocastico, ottimizzazione in machine learning, metodo di Newton e metodo di Gauss-Newton.
Numerical Method for Differential Equations (3 CFU)
1. Soluzione numerica di Equazioni e sistemi di Equazioni differenziali Ordinarie: Metodi ad un passo; Controllo dell'errore e stabilità; Definizione del passo; passo adattivo; Metodi per Problemi Stiff;
2. Problemi con valori al contorno;
3. Soluzione numerica di Equazioni a Derivate Parziali; Classificazione; Dominio di dipendenza; condizioni al contorno. Equazioni del primo/secondo ordine. Trattamento numerico di problemi parabolici, equazioni ellittiche, equazioni del trasporto, iperboliche. Metodo alle differenze finite e accenno a metodo agli elementi finiti.
4. Introduzione all'ambiente PDETOOL e suo utilizzo nell'analisi di alcuni modelli.

Modalità d'esame

Modalità di verifica e valutazione dell'apprendimento
L'esame di Numerical Analysis consiste di una parte scritta
(6FU) Esame scritto (2h30) per ANALISI NUMERICA
L'esame di Numerical Analysis and Differential Equations consiste di una parte scritta, un orale ed un progettino
(3CFU) Esame orale per la parte di Equazioni Differenziali.
Alla fine del corso viene assegnato un progetto individuale per la seconda parte. Consiste in un problema biomedico con una formulazione ODE/BVP/PDE da risolvere in MATLAB. Almeno 3 giorni prima dell'esame orale deve essere inviata al docente una relazione sull'implementazione proposta e commenti sugli esperimenti.
--------------------------------------------------------------
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

A First Course in Numerical Methods, Uri M. Ascher Chen Greif, SIAM
Cleve Moler, Numerical Computing with MATLAB , Ed. SIAM, 2004. Michael T. Heath, Scientific Computing: An Introductory Survey , 2nd ed., McGraw-Hill, 2002.
A.Quarteroni, F.Saleri, P.Gervasio, Scientific Computing with MATLAB and Octave, 2010
A. Quarteroni, Numerical Models for Differential Problems, 2014, ISBN 978-88-470-5522-3
Randall J. Leveque, Finite Difference Methods for Ordinary and Partial Differential Equations: Steady-State and Time-Dependent Problems, 2007

Codice insegnamento 34794

ARCHITETTURE ELETTRONICHE AD ALTE PRESTAZIONI PER L'INTELLIGENZA ARTIFICIALE LM 2° anno · 1° semestre · 6 CFU · IINF-05/A · 0 file
AZIONAMENTI ELETTRICI FAULT TOLERANT LM 2° anno · 1° semestre · 6 CFU · IIND-08/A · 0 file

Al termine del corso lo studente conosce i principi di funzionamento e i modelli dei principali azionamenti elettrici per l’automazione industriale; è in grado di analizzare i principali strumenti per la diagnosi…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce i principi di funzionamento e i modelli dei principali azionamenti elettrici per l’automazione industriale; è in grado di analizzare i principali strumenti per la diagnosi preventiva dei guasti, utilizzando l’analisi statistica dei segnali e tecniche di decision making basate su Intelligenza artificiale.

Programma

Azionamenti con motori in corrente continua
Modello dinamico dei motori in corrente continua. Regolazione della corrente e taratura dei regolatori. Regolazione della velocità con controllo sull'armatura e sull'eccitazione. Funzionamento a coppia costante ed a potenza costante. Azionamenti per assi e per mandrino e campi di applicazione.
Azionamenti con motori brushless a fem trapezoidale (DC brushless)
Struttura e principio di funzionamento. Schemi di regolazione della coppia e della velocità.
Azionamenti con motori asincroni
Azionamenti in catena aperta. Controllo a V/F costante. Rampe di accelerazione.
Azionamenti in catena chiusa e controllo della frequenza di scorrimento. Campo di funzionamento a coppia costante ed a potenza costante. Modello dinamico dei motori asincroni. Controllo ad orientamento di campo. Schemi di regolazione della coppia e della velocità. Stima del flusso rotorico. Analisi delle prestazioni limite in coppia e velocità.
Analisi e dimensionamento dei regolatori.
Regolazione degli azionamenti assistita con intelligenza artificiale
Principali strumenti di intelligenza artificiale per gli azionamenti elettrici Ottimizzazione del controllo e regolazione assistita da IA.

Modalità d'esame

La verifica dell'apprendimento avviene mediante una prova scritta, che ha lo scopo di esaminare l'acquisizione delle conoscenze previste dal programma; e da un report sulle attività di esercitazione.
Il reporto sulle attività di esercitazioni deve essere consegnato prima della prova scritta.
La prova scritta consiste in alcuni quesiti in cui verrà valutata la capacità dello studente di:

  • utilizzare correttamente gli strumenti dell'ingegneria elettrica e della conversione elettromeccanica dell'energia;
  • descrivere il funzionamento degli azionamenti elettrici;
  • illustrare il principio di funzionamento degli azionamenti elettrici e valutarne le prestazioni;
  • rappresentare gli schemi di controllo.
    La valutazione finale terrà conto della capacità espositiva, della autonomia e del rigore nel presentare le risposte ai quesiti.
    Il report sulle attività di esercitazione dovrà contenere tutte le simulazioni numeriche svolte durante il corso.
    Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l'ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all'approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Il corso presenta e compendia diversi argomenti e pertanto saranno distribuite allo studente dispense redatte direttamente dal docente e rese disponibili attraverso la piattaforma virtuale.unibo.it
Vengono inoltre segnalati i seguenti testi di riferimento:
A.E. Fitzgerald, C. Kingsley JR, A. Kusko: “Macchine Elettriche”, Franco Angeli Editore, Milano, 1978. J.M.D. Murphy, F.G. Turnbull: “Power Electronic Control of AC Motors”, Pergamon Press, Oxford, 1988. I, Boldea, S.A. Nasar: “Electric Drives”, CRC Press, New York. P. Vas: “Vector Control of AC Machines”, Oxford University Press, New York. T.J.E. Miller: “Brushless Permanent-Magnet and Reluctance Motor Drives”, Clarendon Press, Oxford, 1989. T.J.E. Miller: “Switched Reluctance Motors and their Control”, Clarendon Press, Oxford, 1993. T. Kenjo: “Stepping Motors and their Microprocessor Controls”, Clarendon Press, Oxford, 1985. W. Leonard: “Control of Electrical Drives”, Springer-Verlag, Berlin, 2001

Codice insegnamento B8525

COMUNICAZIONI WIRELESS LM 2° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Al termine del corso, lo studente possiede conoscenze sulla trasmissione wireless dell’informazione. Nello specifico, è in grado di dimensionare collegamenti wireless digitali, conosce le problematiche di modulazione e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente possiede conoscenze sulla trasmissione wireless dell’informazione. Nello specifico, è in grado di dimensionare collegamenti wireless digitali, conosce le problematiche di modulazione e demodulazione numerica, gli effetti di propagazione anomala e relative tecniche per la loro mitigazione, incluse quelle multi-antenna (MIMO) e basate su machine learning. In aggiunta, lo studente è in grado di analizzare i sistemi radiomobili di quarta e quinta generazione (LTE/5G) con una visione verso i sistemi autonomi basati su 6G (es. reti di veicoli autonomi).

Programma

Prerequisiti: conoscenze di elaborazione dei segnali, teoria della probabilità, principi di teoria della stima e della decisione, elementi di teoria dell’informazione e codici, elementi base di propagazione elettromagnetica e antenne.
Programma:
1. Introduzione ai sistemi di telecomunicazione wireless e richiami
Introduzione al corso ed evoluzione dei sistemi di telecomunicazione Richiami: variabili aleatorie gaussiane reali e complesse; statistiche di Rayleigh, esponenziale, lognormale e chi-quadro; elementi di algebra matriciale; scomposizione agli autovalori e ai valori singolari (SVD) Richiami di teoria della decisione, teoria della stima e machine learning Equivalente passa-basso tempo-discreto di sistemi passa-banda: modello tapped delay line (TDL)
2. Il canale wireless
Principali caratteristiche della propagazione radio in funzione della frequenza; propagazione multipercorso Caratterizzazione del canale radio mediante modelli statistici; selettività del canale in tempo e frequenza (banda di coerenza e tempo di coerenza) Modellizzazione dei fenomeni a larga scala: path loss e shadowing Modellizzazione dei fenomeni a piccola scala: fading multipath Modello a banda stretta di Clarke–Jakes Modelli statistici per sistemi multi-antenna Modelli di canale radio 3GPP
3. Trasmissione su canali non selettivi a banda limitata
Modulazioni lineari: costellazioni e caratteristiche spettrali; rapporto segnale-rumore convenzionale Eb/N0; trasmissione ottima in AWGN Esempi di costellazioni e relative probabilità di errore Efficienza spettrale e compromesso con l’efficienza energetica; limiti teorici: capacità di Shannon e considerazioni sulla codifica di canale
4. Trasmissione in presenza di canali selettivi
Trasmissione in fading piatto; link budget in presenza di fading lento e veloce; probabilità di outage e probabilità di errore media Tecniche di diversità: tempo, frequenza e spazio Trasmissione ottima in canali selettivi in frequenza: ricevitore MLSE Equalizzatori sub-ottimi: equalizzatori lineari Tecnica multi-portante OFDM e applicazioni Stima del canale e sincronizzazione Esempi di standard: televisione digitale terrestre e satellitare
5. Sistemi multi-antenna (MIMO)
Definizioni; capacità del canale MIMO e multiplexing spaziale; effetti della propagazione (LOS, rich NLOS, keyhole) Sistemi SIMO: maximal ratio combining (MRC) Sistemi MISO con e senza informazione sullo stato del canale al trasmettitore (CSIT): beamforming e schema di Alamouti Sistemi MIMO ottimi con CSIT (SVD-MIMO); schemi senza CSIT: V-BLAST, zero forcing, MMSE e successive interference cancellation (SIC) Multi-user MIMO e massive MIMO
6. Elementi di sistemi radiomobili
Evoluzione dal 1G al 5G; architetture; riuso delle frequenze (interferenza co-canale); tecniche di accesso multiplo; gestione della mobilità; principali indici prestazionali (efficienza spettrale di rete e area throughput) Principali caratteristiche dello standard 5G Cenni su tematiche avanzate verso il 6G: integrated sensing and communications (ISAC), comunicazioni semantiche, reti 3D, sistemi cell-free

Modalità d'esame

L’esame consiste in una prova orale volta a verificare le conoscenze acquisite e il raggiungimento degli obiettivi formativi:
conoscenza dei principi e capacità di dimensionamento di un collegamento wireless digitale, considerando il compromesso tra complessità, prestazioni e robustezza comprensione degli effetti della radiopropagazione sulla progettazione dei sistemi wireless conoscenza dei principi dei sistemi multi-portante (OFDM) e multi-antenna (MIMO) comprensione delle tecniche di gestione delle risorse radio e del ruolo dell’interferenza co-canale interpretazione delle principali soluzioni architetturali delle reti cellulari
Il voto finale si basa su tre quesiti relativi ai principali contenuti del corso. Uno dei quesiti può consistere nella risoluzione di un breve esercizio di progetto o analisi di sistemi di telecomunicazione.
In alternativa, lo studente può presentare un progetto concordato con il docente relativo allo sviluppo di una piattaforma di simulazione Matlab/Python, che sostituisce uno dei tre quesiti.
Studenti e studentesse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it); sarà sua cura proporre agli studenti e alle studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Non è necessario l’acquisto di testi specifici. Le slide del corso saranno disponibili sulla piattaforma Virtuale.
Testi di approfondimento:
D. Tse, P. Viswanath, Fundamentals of Wireless Communications, Cambridge University Press, 2005 R. W. Heath Jr., A. Lozano, Foundations of MIMO Communication, Cambridge University Press, 2018 A. Goldsmith, Wireless Communications, Cambridge University Press, 2005 J. G. Proakis, Digital Communications, McGraw-Hill J. D. Parsons, The Mobile Radio Propagation Channel, Wiley, 2nd edition O. Andrisano, D. Dardari, Appunti di Sistemi di Telecomunicazione: elementi di progetto di sistemi radiomobili, Esculapio, Bologna, 2001

Codice insegnamento B8383

CONVERTITORI ELETTRONICI DI POTENZA DA FONTI RINNOVABILI LM 2° anno · 1° semestre · 6 CFU · IIND-08/A · 0 file

Al termine del corso lo studente conosce i principi di funzionamento e i modelli dei principali convertitori elettronici per la conversione di energia da fonti rinnovabili (acqua, vento, sole). Lo studente è in grado…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce i principi di funzionamento e i modelli dei principali convertitori elettronici per la conversione di energia da fonti rinnovabili (acqua, vento, sole). Lo studente è in grado di utilizzare i principali strumenti per la diagnosi preventiva dei guasti, utilizzando l’analisi statistica dei segnali e tecniche di decision making basate su Intelligenza artificiale.

Programma

Convertitori statici di energia
Richiami di dispositivi elettronici di potenza per la conversione statica: DIODI, SCR, MOSFET, IGBT Richiami dei principali schemi di conversione AC/DC, DC/DC, DC/AC Segnali PWM Figure di merito per i convertitori statici
Inverter (convertitori DC/AC)
Tecniche di modulazione Architetture monofase Architetture trifase Tecniche di controllo dei convertitori Applicazione dell'Intelligenza artificiale al controllo dei convertitori
Soft-switching converters
Mitigazione delle perdite di commutazione con tecniche soft-switching Zero-voltage switching (ZVS) Zero-current switching (ZCS) Resonant inverters
Esercitazioni
Caratterizzazione e verifica di un convertitore DC/AC

Modalità d'esame

La prova finale sarà scritta.
Gli studenti dovranno presentare una relazione individuale sulle attività di esercitazione. La relazione è un prerequisito per la partecipazione alla prova scritta.
Tutti gli studenti che superano la prova avranno raggiunto gli obiettivi formativi minimi.
La valutazione massima in trentesimi si raggiungerà con una conoscenza completa dei criteri qualitativi e quantitativi di dimensionamento di convertitori elettronici di potenza.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’IA è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
"Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l'ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all'approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.".

Testi di riferimento

Le dispense utilizzate e i lucidi presentati saranno disponibili sulla piattaforma virtuale.unibo.it
Andrzej M. Trzynadlowski, "Introduction to Modern Power Electronics", Wiley
Mohan Ned, Undeland Tore, Robbins William, "Power Electronics: Converters, Applications and Design", John Wiley & Sons Inc; 4 edizione
Robert W. Erickson, Dragan Maksimovic, "Fundamentals of Power Electronics", Kluwer Academic Pub
Muhammad Rashid, "Power Electronics Handbook", Butterworth-Heinemann; 4 edizione, 2017.
Remus Teodorescu, Marco Liserre, Pedro Rodríguez, "Grid Converters for Photovoltaic and Wind Power Systems", John Wiley & Sons Inc Print on
S. Chkraborty, M.G. Simoes, W.E. Kramer, "Power Electronics for Renewable and Distributed Energy Systems. A sourcebook of topologies, control and integration", Springer, 2013
John G. Kassakian, David J. Perreault, George C. Verghese, "Principles of Power Electronics", 2nd edition, Cambridge University Press, 2023

Codice insegnamento B8385

DISPOSITIVI E CIRCUITI INTEGRATI DI POTENZA LM 2° anno · 2° semestre · 6 CFU · IINF-01/A · 0 file

Al termine del corso lo studente conosce in maniera avanzata i dispositivi di potenza a semiconduttore, incluse tecnologie emergenti come GaN e SiC; sa condurre l’analisi dell'affidabilità dei transistori di potenza e…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce in maniera avanzata i dispositivi di potenza a semiconduttore, incluse tecnologie emergenti come GaN e SiC; sa condurre l’analisi dell'affidabilità dei transistori di potenza e tecniche di monitoraggio e/o ottimizzazione di robustezza e prestazioni; possiede competenze nella progettazione e simulazione di circuiti di potenza GaN integrati.

Programma

Introduzione all'elettronica di potenza
Introduzione all'elettronica di potenza Esempi di applicazioni Tipi di dispositivi e loro funzioni
Dispositivi di potenza a semiconduttore
Transistori di potenza in silicio (Si): Vertical MOSFET, Super Junction MOSFET, Laterally-Diffused MOSFET Caratteristiche principali (tensione di breakdown, On-resistance, capacità intrinseche) e funzionamento Applicazioni tipiche: discreto vs integrato Transistori di potenza in carburo di silicio (SiC): Vantaggi e svantaggi rispetto al Si Caratteristiche e funzionamento Applicazioni tipiche: discreto Transistori di potenza in nitruro di gallio (GaN): Vantaggi e svantaggi rispetto al Si e SiC Depletion HEMT, Cascode, Enhancement HEMT (MISHEMT vs pGaN HEMT vs Fe-gate HEMT) Caratteristiche e principio di funzionamento Applicazioni tipiche: discreto vs integrato Diodi Schottky in nitruro di gallio (GaN): Principio di funzionamento Caratteristiche e applicazioni
Affidabilità dei dispositivi di potenza
Problematiche comuni di affidabilità nei dispositivi a semiconduttore Degradazione e guasti nei transistori di potenza Tecniche di mitigazione e miglioramento dell'affidabilità Case study di fallimenti e analisi di ricerca Attività di Laboratorio: Esperimenti su transistori di potenza a semiconduttore
Progettazione integrata in GaN
Fondamenti dei circuiti di potenza Introduzione alla progettazione integrata Progettazione di circuiti di potenza con dispositivi GaN Circuiti e tecniche di driving dei transistori GaN e connesse problematiche Tecniche di layout
Laboratorio: progetto finale
Progettazione di un transistor (o half bridge) GaN con gate driver integrato Simulazione del progetto mediante strumenti EDA per circuiti integrati Analisi delle prestazioni e ottimizzazione

Modalità d'esame

La verifica finale prevede la realizzazione di un progetto e una prova orale.
Il progetto consiste, a seconda del tema assegnato, nella valutazione dell’affidabilità di dispositivi di potenza oppure nella progettazione di un circuito in tecnologia integrata GaN. Il progetto è finalizzato a verificare la capacità di applicare le conoscenze acquisite all’analisi di dispositivi e circuiti di potenza, alla valutazione delle loro prestazioni e alla giustificazione delle scelte progettuali.
La prova orale consiste in una serie di domande finalizzate a verificare la conoscenza degli argomenti affrontati a lezione e durante le esercitazioni di laboratorio, nonché la comprensione degli aspetti progettuali relativi al progetto svolto.
La valutazione è espressa in trentesimi e tiene conto della correttezza tecnica del progetto, della capacità di analisi e discussione critica dei risultati, della conoscenza degli argomenti teorici, della chiarezza espositiva e dell’uso appropriato della terminologia tecnica. La prova si intende superata con una valutazione minima di 18/30.
L’eventuale utilizzo di strumenti di IA generativa nella preparazione del progetto deve essere limitato, dichiarato e non sostanziale. La valutazione finale terrà conto della capacità dello studente di discutere criticamente e autonomamente il lavoro svolto.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

[1] B. Jayant Baliga, "Fundamentals of Power Semiconductor Devices", Springer New York, NY, ISBN978-1-4899-7765-6.
[2] Bernhard Wicht, "Design of Power Management Integrated Circuits", Wiley-IEEE Press, ISBN: 9781119123064.
[3] M. P. Kaufmann. B. Wicht, "Monolithic Integration in E-Mode GaN Technology", Springer Cham, ISBN978-3-031-15627-4.

Codice insegnamento B8390

ELETTRONICA PER IL DEEP LEARNING E NUOVI PARADIGMI DI ELABORAZIONE LM 2° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file
FOTONICA E OPTOELETTRONICA LM 2° anno · 1° semestre · 6 CFU · IINF-02/A · 0 file
FUNDAMENTALS OF ARTIFICIAL INTELLIGENCE LM 2° anno · 1° semestre · 12 CFU · IINF-05/A · 0 file

Al temine dell'attività formativa, lo studente conosce le principali tecniche di rappresentazione della conoscenza e i metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza…

Scheda dell'insegnamento

Obiettivi formativi

Al temine dell'attività formativa, lo studente conosce le principali tecniche di rappresentazione della conoscenza e i metodi di ragionamento che stanno alla base della risoluzione di problemi di intelligenza artificiale. È capace di definire e realizzare semplici risolutori per sistemi di intelligenza artificiale.

Programma

Il corso e' tenuto in lingua inglese. Per i contenuti e le altre informazioni sul corso si faccia riferimento alla versione inglese.

Codice insegnamento B8523

GESTIONE DI RETI DI TELECOMUNICAZIONI LM 2° anno · 1° semestre · 6 CFU · IINF-03/A · 0 file

Al termine del corso lo studente conosce in modo approfondito i principi generali e le tecnologie di gestione tipicamente utilizzate nelle moderne reti di telecomunicazioni. Sa valutare il comportamento di nodi di rete…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce in modo approfondito i principi generali e le tecnologie di gestione tipicamente utilizzate nelle moderne reti di telecomunicazioni. Sa valutare il comportamento di nodi di rete attraverso l'uso di modelli di base di analisi delle prestazioni e di dimensionamento delle risorse. Conosce i principali strumenti utilizzati per l'automazione e la gestione intelligente delle reti.

Programma

Modulo 1
GESTIONE DI RETE
Principi generali di gestione di rete (FCAPS). Principi della "softwarizzazione" delle reti di telecomunicazioni. Protocolli moderni di gestione di rete (NETCONF). Piattaforme di orchestrazione di servizi di rete (Kubernetes).
Modulo 2
APPLICAZIONI DI INTELLIGENZA ARTIFICIALE PER LA GESTIONE DELLE RETI
Esempi pratici di applicazioni di modelli di intelligenza artificiale per la gestione delle reti moderne.
Modulo 3
TELETRAFFICO
Introduzione alla teoria del teletraffico; sistemi a coda. Applicazioni all'analisi, dimensionamento e pianificazione di reti a commutazione di pacchetto e di circuito.
TRASPORTO E CONTROLLO END-TO-END
Richiami sul protocollo TCP. Il controllo di flusso nel TCP. Modelli per l'analisi delle prestazioni della connessione TCP.

Modalità d'esame

La verifica finale prevede una prova orale per la verifica delle competenze acquisite nei temi trattati da tutti i moduli del corso.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Il materiale per lo studio verrà fornito dai docenti durante il corso.
Per approfondire i contenuti relativi alla teoria del traffico si consiglia il testo:
F. Callegati, W. Cerroni, C. Raffaelli, "Traffic Engineering: A Practical Approach", Springer, 2023, ISBN: 978-3-031-09588-7
Per approfondire i contenuti relativi al TCP si consiglia di fare riferimento ai seguenti testi:
K. R. Fall, W. R. Stevens, "TCP/IP Illustrated, Vol. 1", 2nd edition, Addison-Wesley, 2012, ISBN: 978-0-321-33631-6 J. F. Kurose, K. W. Ross, "Reti di calcolatori e Internet. Un approccio top-down", 8a edizione, Pearson, 2022, ISBN: 978-88-9191-600-6

Codice insegnamento B8387

LABORATORIO DI ELETTRONICA PER IL MACHINE LEARNING LM 2° anno · 1° semestre · 6 CFU · IINF-01/A · 0 file

Lo studente è in grado di individuare, sviluppare e applicare algoritmi di apprendimento per la soluzione di problemi nell’ambito dell’ingegneria elettronica e delle telecomunicazioni. Lo studente conosce e sa utilizzare…

Scheda dell'insegnamento

Obiettivi formativi

Lo studente è in grado di individuare, sviluppare e applicare algoritmi di apprendimento per la soluzione di problemi nell’ambito dell’ingegneria elettronica e delle telecomunicazioni. Lo studente conosce e sa utilizzare autonomamente strumenti software e di calcolo numerico per addestrare algoritmi di apprendimento. Inoltre, lo studente acquisisce conoscenze e competenze di base relative all’utilizzo e alla programmazione di sistemi embedded ed è in grado di realizzare applicazioni di apprendimento automatico.

Programma

Introduzione ai sistemi embedded. Sistemi operativi real-time (RTOS) e primitive di base. Task e scheduling. Comunicazione e sincronizzazione tra task. Code, mutex e semafori. Programmazione di microcontrollori mediante RTOS.
Introduzione a Python, Introduzione a Tensorflow e Tensorflow Lite. Ambienti di lavoro e toolchain locali ed in cloud per embedded machine learning. Gestione ed organizzazione dei dataset. Addestramento di modelli per machine learning tramite Tensorflow. Training di modelli di reti neurali per elaborazione di dati da sensori. Tiny Machine Learning ed esempi di toolchain. Microcontrollori come sistemi di acquisizione dati. Tecniche di riduzione e ottimizzazione dei modelli per sistemi a microcontrollore: quantizzazione, pruning, compressione dei modelli, introduzione a knowledge distillation, valutazione delle prestazioni.

Modalità d'esame

Gli studenti dovranno sviluppare un progetto relativo all’implementazione di algoritmi di machine learning utilizzando schede di sviluppo a microcontrollore e sensori. Dovrà essere prodotta una relazione in cui dovranno essere evidenziate le principali scelte progettuali, sia per la gestione dei modelli di machine learning che relativi all’implementazione. L'esame consisterà nella discussione della relazione da parte dello studente e in un colloquio orale volto a verificare la conoscenza dei contenuti presentati nel corso. Costituiranno elementi di valutazione la conoscenza e l'applicazione dei concetti e delle tecniche di progetto presentate durante il corso, la padronanza dei concetti presentati, l'uso corretto del linguaggio tecnico della disciplina.
Si raccomanda a studenti/studentesse con DSA o disabilità temporanee o permanenti di contattare per tempo l’ufficio di Ateneo responsabile: sarà sua cura proporre agli/alle studenti/studentesse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

Le dispense presentate a lezione ed i materiali di laboratorio vengono messi a disposizione in formato elettronico nei repository istituzionali. I seguenti volumi possono tuttavia essere utili ai fini di consultazione e approfondimento:
G. M. Iodice, "TinyML Cookbook: Combine Artificial Intelligence and Ultra-Low-Power Embedded Devices to Make the World Smarter." Packt Publishing, 2022
P. Warden and D. Situnayake, "TinyML: Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers." O'Reilly Media, 2019
W. Gay, "FreeRTOS for ESP32-Arduino: Practical Multitasking Fundamentals." Elektor International Media, 2020

Codice insegnamento B8384

NEURAL SYSTEMS LM 2° anno · 1° semestre · 9 CFU · IBIO-01/A · 0 file
PREPARAZIONE PROVA FINALE ALL'ESTERO LM (12 CFU) 2° anno · 2° semestre · 12 CFU · 0 file

Lo studente nell'ambito della preparazione della prova finale all'estero: - è in grado di svolgere in modo autonomo, critico e documentato un lavoro originale, tipicamente in forma di elaborato scritto, che risponda a…

Scheda dell'insegnamento

Obiettivi formativi

Lo studente nell'ambito della preparazione della prova finale all'estero: - è in grado di svolgere in modo autonomo, critico e documentato un lavoro originale, tipicamente in forma di elaborato scritto, che risponda a standard di accuratezza metodologica e teorica e, nei casi in cui il tema prescelto sia pertinente, ai requisiti della ricerca empirica.

Codice insegnamento 82327

PROGETTAZIONE DI SISTEMI PER INTELLIGENZA ARTIFICIALE LM 2° anno · 1° semestre · 6 CFU · MATH-06/A · 0 file

Al termine del corso lo studente è in grado di costruire ed utilizzare algoritmi di predizione, classificazione ed apprendimento propri dell'intelligenza artificiale ed in particolare del machine learning. A tal…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente è in grado di costruire ed utilizzare algoritmi di predizione, classificazione ed apprendimento propri dell'intelligenza artificiale ed in particolare del machine learning. A tal proposito, vengono presentate le metodologie di ottimizzazione di tipo esatto ed euristico che sono alla base dello sviluppo delle reti neurali, delle support vector machines e di altre metodologie di classificazione supervisionata. Viene inoltre affrontata l'integrazione di tecniche di machine learning e di ottimizzazione discreta per il supporto alle decisioni. Al termine del corso lo studente conosce i diversi tipi di modelli neurali e di SVM, e dei problemi di apprendimento formulati in termini di problemi di ottimizzazione nonlineare; conosce i metodi di risoluzione di tipo esatto ed euristico dei problemi di ottimizzazione non lineare e combinatoria; è in grado di utilizzare e di realizzare software di ottimizzazione per l'addestramento e le decisioni.

Programma

Introduction to Prescriptive Analytics: The Analytics Stack Descriptive, Predictive, and Prescriptive Analytics Decision-making lifecycle Business value of optimization Prescriptive Analytics in Digital Transformation Mathematical and algorithmic foundations (Optimization, Operations Research): Optimization basics Problem formulation (decision variables, objective functions, constraints) Linear and Integer Programming, sensitivity analysis Nonlinear Programming Heuristics, Metaheuristics, and Matheuristics Decision-Making Under Uncertainty: stochastic optimization, Monte Carlo simulation, Scenario analysis Implementation & Tools: modeling languages, Python (PuLP, Pyomo, OR-Tools), optimization solvers (Gurobi, CPLEX, HiGHS), deployment of decision support systems Integration with AI / predictive analytics (without developing AI and predictive analytics methodologies, because they are developed in other courses): Predictive + Prescriptive Analytics Machine Learning for Optimization Optimization for Machine Learning Decision-Focused Learning and Learning-Augmented Optimization Applications: Supply chain & logistics Pricing & revenue management Smart manufacturing Resource allocation

Modalità d'esame

La prova d'esame mira a valutare il raggiungimento degli obiettivi didattici:
conoscenza delle basi della Prescriptive Analytics; conoscenza dei metodi matematici e degli algoritmi alla base della Prescriptive Analytics; capacità di applicare gli approcci studiati a problemi decisionali del mondo reale.
Per essere ammesso alla prova d'esame lo studente deve consegnare un progetto, preventivamente concordato con il docente. Nella preparazione del progetto è consentito un uso limitato, dichiarato e non sostanziale dell’IA per attività di supporto. Non è permesso l’uso sostanziale per lo svolgimento del progetto.
La prova finale consiste in un orale in cui lo studente discuterà il progetto consegnato e dovrà dimostrare le conoscenze e abilità apprese durante il corso.
Il punteggio finale corrisponde indicativamente alle seguenti valutazioni sul livello di apprendimento raggiunto: <18 insufficiente; 18-23 sufficiente; 24-27 buono; 28-30 ottimo; 30 e lode eccellente.

Testi di riferimento

Dispense a cura del docente.
Testi di approfondimento:
C. Papadimitriou, K. Steiglitz, Combinatorial Optimization: Algorithms and Complexity, Dover Publications, NY. M.S. Bazaraa, J.J. Jarvis, H.D. Sherali, Linear Programming and Network Flows, Wiley. R.K.Ahuja, T.L.Magnanti, J.B.Orlin, "Network flows: theory, algorithms and applications", Prentice Hall.

Codice insegnamento B8391

PROGETTO DI SISTEMI PER L'ELABORAZIONE E LA TRASMISSIONE DELL'INFORMAZIONE LM 2° anno · 2° semestre · 3 CFU · IINF-03/A · 0 file

Al termine del corso, lo studente acquisisce la capacità di affrontare un problema complesso di carattere progettuale, di formulare le specifiche tecniche in base agli obiettivi prefissi e di procedere al progetto di…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso, lo studente acquisisce la capacità di affrontare un problema complesso di carattere progettuale, di formulare le specifiche tecniche in base agli obiettivi prefissi e di procedere al progetto di un sistema elettronico o delle telecomunicazioni che risponda a tali specifiche.

Programma

Il corso affronta la progettazione e la simulazione di sistemi per l'elaborazione e la trasmissione dell'informazione mediante strumenti di calcolo numerico. Dopo un'introduzione alle metodologie di simulazione, vengono sviluppati modelli e algoritmi per problemi di detection, stima e localizzazione, con particolare attenzione alla valutazione delle prestazioni attraverso simulazioni Monte Carlo e ai limiti teorici fondamentali.
I principali argomenti trattati comprendono:
metodologie di simulazione di sistemi di telecomunicazione e analisi statistica dei risultati; algoritmi di detection e stima, criteri di decisione ottima e limiti teorici delle prestazioni; sistemi di localizzazione e navigazione, tecniche di stima della posizione e valutazione dell'accuratezza; algoritmi di tracking di sistemi dinamici mediante filtri di Kalman e metodi basati su filtri particellari; sistemi multiantenna, tecniche di beamforming, diversity combining e stima della direzione di arrivo dei segnali; modellazione e simulazione di collegamenti wireless, con particolare riferimento ai canali in fading, alle tecniche di equalizzazione, ai sistemi multiportante OFDM e alla valutazione delle prestazioni dei sistemi di comunicazione.
Le attività di laboratorio prevedono l'implementazione e la simulazione degli algoritmi studiati, l'analisi delle prestazioni mediante strumenti numerici e il confronto tra differenti soluzioni progettuali in scenari realistici.

Modalità d'esame

La verifica dell'apprendimento consiste in una prova orale e nella consegna delle esercitazioni di laboratorio sviluppate durante il corso.
Le esercitazioni prevedono l'implementazione e la simulazione degli algoritmi affrontati nelle lezioni e nei laboratori, nonché l'analisi e la discussione critica dei risultati ottenuti.
La prova orale è finalizzata a verificare la comprensione degli aspetti teorici, la capacità di motivare le scelte progettuali adottate nelle esercitazioni e la padronanza delle metodologie di simulazione e analisi dei sistemi trattati.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

Testi principali
S. M. Kay, Fundamentals of Statistical Signal Processing, Volume I: Estimation Theory, Prentice Hall. S. M. Kay, Fundamentals of Statistical Signal Processing, Volume II: Detection Theory, Prentice Hall. H. L. Van Trees, Detection, Estimation, and Time Series Analysis, Wiley. A. Goldsmith, Wireless Communications, Cambridge University Press. D. Tse, P. Viswanath, Fundamentals of Wireless Communication, Cambridge University Press.
Materiale integrativo
Dispense e slide del docente. Articoli scientifici e materiale didattico forniti durante il corso.

Codice insegnamento B8382

PROVA FINALE LM (15 CFU) 2° anno · 2° semestre · 15 CFU · 0 file

Attraverso la preparazione della tesi svolta in ambito universitario e la prova finale, lo studente: - acquisisce ed è in grado di utilizzare le informazioni scientifiche necessarie per valutare la validità delle proprie…

Scheda dell'insegnamento

Obiettivi formativi

Attraverso la preparazione della tesi svolta in ambito universitario e la prova finale, lo studente: - acquisisce ed è in grado di utilizzare le informazioni scientifiche necessarie per valutare la validità delle proprie attività professionali, in accordo con i principi delle pratiche basate sulle evidenze scientifiche. - è in grado di organizzare e definire protocolli di lavoro che tengano conto delle peculiarità dei soggetti, per la loro età, sesso e condizione di salute, garantendone la sicurezza di svolgimento e valutandone le criticità e di trasmetterle ai praticanti in misura corretta e consapevole; - è in grado di valutare ed eventualmente sviluppare nuove proposte procedurali in relazione a specifiche esigenze operative e all'innovazione scientifica e tecnologica; - è in grado di esporre in maniera sequenziale e coerente i dati acquisiti, di interpretarli e discuterli, con considerazioni personali sull'argomento.

Codice insegnamento 86158

PROVA FINALE LM (3 CFU) 2° anno · 2° semestre · 3 CFU · 0 file

Attraverso la prova finale lo studente: - acquisisce ed è in grado di utilizzare le informazioni scientifiche necessarie per valutare la validità delle proprie attività professionali, in accordo con i principi delle…

Scheda dell'insegnamento

Obiettivi formativi

Attraverso la prova finale lo studente: - acquisisce ed è in grado di utilizzare le informazioni scientifiche necessarie per valutare la validità delle proprie attività professionali, in accordo con i principi delle pratiche basate sulle evidenze scientifiche; - è in grado di esporre in maniera sequenziale e coerente i dati acquisiti, di interpretarli e discuterli, con considerazioni personali sull'argomento.

Codice insegnamento 86160

QUANTUM COMMUNICATIONS E COMPUTING LM 2° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Lo studente acquisisce la conoscenza dei concetti e delle tecnologie fondamentali per l'ingegneria dell'informazione quantistica, nello specifico dei protocolli e degli algoritmi per le comunicazioni e l'informatica…

Scheda dell'insegnamento

Obiettivi formativi

Lo studente acquisisce la conoscenza dei concetti e delle tecnologie fondamentali per l'ingegneria dell'informazione quantistica, nello specifico dei protocolli e degli algoritmi per le comunicazioni e l'informatica quantistica: qubit, entanglement, porte quantistiche, elaborazione dell'informazione quantistica, algoritmi quantistici, correzione degli errori, protocolli quantistici per la distribuzione sicura delle chiavi crittografiche. Al termine del corso lo studente è in grado di progettare protocolli e algoritmi quantistici di base e di testarli su computer quantistici accessibili tramite cloud.

Programma

Prerequisiti
L’insegnamento è destinato agli studenti dei corsi magistrali in ingegneria elettronica, telecomunicazioni, informatica, biomedica, automazione. Al fine di seguire proficuamente le lezioni sono sufficienti le conoscenze acquisite nella laurea triennale relative a numeri complessi, algebra lineare e probabilità.
Programma
Principi della meccanica quantistica: stati quantistici, evoluzione, equazioni di Schroedinger, Hamiltoniana, energia, stati stazionari, qubit, sistemi quantistici composti, misure e operazioni quantistiche. Entanglement, il paradosso EPR, il teorema di Bell, CHSH game, il teorema del no-cloning. Variabili continue, funzione d'onda, limite di Heisenberg, oscillatore armonico quantistico.
Calcolo quantistico: gate a uno e due qubit, insiemi di porte universali.
Algoritmi quantistici: trasformata di Fourier quantistica, algoritmo per la ricerca del periodo, algoritmo di fattorizzazione di Shor, violare la crittografia RSA con l'algoritmo di Shor, algoritmo di ricerca di Grover.
Correzione degli errori quantistici: codici stabilizzatori, surface codes.
Comunicazione quantistica: purificazione e teletrasporto, distribuzione di chiavi quantistiche, protocollo BB84, Quantum Internet.
Ulteriori argomenti del corso, svolti a livello introduttivo, riguardano: applicazioni alla sicurezza e al sensing, quantum machine learning e reti neurali quantistiche, simulazione quantistica.

Modalità d'esame

L'esame si compone di due parti:

  • svolgimento di un elaborato che può consistere nella realizzazione di un’applicazione relativa a uno o più argomenti trattati nel corso o in una relazione che illustri i contenuti di un articolo scientifico su quantum information, con analisi critica dell’approccio proposto e delle potenziali ricadute applicative. La consegna della documentazione relativa all’elaborato (ivi incluso il software sviluppato nel caso di progetto) è indispensabile per poter sostenere la prova orale;
  • una prova orale che consiste nella discussione dell’elaborato.
    Il voto finale, espresso in trentesimi, tiene conto delle valutazioni riportate in entrambe le parti.
    Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell'insegnamento.

Testi di riferimento

Appunti distribuiti dai docenti.
Per approfondimenti:
Michael A. Nielsen, Isaac L. Chuang, "Quantum Computation and Quantum Information", Cambridge University Press, 2010
John Preskill, "Quantum Computation" (lecture notes)
M. M. Wilde, “Quantum information theory”, Cambridge University Press, 2013.
E. G. Rieffel, W. H. Polak, “Quantum computing: A gentle introduction”, MIT Press, 2011.
N. D. Mermin, “Quantum computer science: an introduction”, Cambridge University Press, 2007.

Codice insegnamento B8542

RADIOLOCALIZZAZIONE E TELERILEVAMENTO AMBIENTALE LM 2° anno · 1° semestre · 6 CFU · IINF-02/A · 0 file

Al termine del corso lo studente: - conosce le nozioni fondamentali di elettromagnetismo avanzato necessarie per comprendere l’interazione di onde elettromagnetiche con l’ambiente per applicazioni di telerilevamento -…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente: - conosce le nozioni fondamentali di elettromagnetismo avanzato necessarie per comprendere l’interazione di onde elettromagnetiche con l’ambiente per applicazioni di telerilevamento - conosce i principi per l’estrazione d’informazioni su posizione e caratteristiche fisiche di oggetti tramite onde elettromagnetiche che si propagano nell’ambiente e interagiscono con essi. - conosce i principi, l'architettura e il funzionamento dei principali sistemi di localizzazione e telerilevamento ed ha esperienza pratica di un radiometro realizzato ad hoc e analizzato durante esercitazioni di laboratorio. - conosce esempi d’interazione delle onde elettromagnetiche con l’ambiente, inclusa la radiazione solare, e l’applicazione delle tecniche di telerilevamento al controllo dei cambiamenti climatici ed ambientali. - Conosce le principali caratteristiche delle tecniche “Integrated Communication and Sensing” (ICAS).

Programma

Il corso si articola su due tematiche principali: radiolocalizzazione (positioning) e telerilevamento (remote sensing).
Durante il corso saranno svolte esercitazioni pratiche e seminari di approfondimento.
Parte 1: RADIOLOCALIZZAZIONE Struttura generale e fattori di merito di un sistema di radiolocalizzazione. Classificazione dei metodi di radiolocalizzazione: Received Signal Strength (RSS), Time of Arrival (ToA), Time Difference of Arrival (TDoA), Angle of Arrival (AoA). Trilaterazione e triangolazione. Metodi ibridi: l'esempio del RADAR. Algoritmi di localizzazione: errori di misura, impatto della propagazione reale sulla precisione della stima di posizione; metodi di stima ai minimi quadrati, metodi Maximum Likelihood. Limiti teorici: Cramer-Rao Lower Bound (CRLB) e diluzione geometrica di precisione (GDOP). Metodi di localizzazione basati su "radio maps" e fingerprinting: utilizzo di tecniche Machine Learning per la localizzazione tramite radio maps: l'esempio del metodo k-Nearest Neighbour (KNN). Cenni su: tecniche multipath-assisted; tecniche di localizzazione in campo vicino e con l'ausilio di superfici intelligenti riconfigurabili (RIS). Dalla localizzazione al tracking della posizione: il filtro di Kalman. Esercitazioni su localizzazione e tracking in ambiente MATLAB/Python.
Cenni sulle tecniche di stima del ritardo di propagazione: filtro adattato, sistemi Spread Spectrum con codici pseudo-noise e ricevitore "sliding correlator". Stima del TDoA tramite cross-correlazione di segnali. Arrays di antenne: stima della direzione di arrivo del segnale radio mediante arrays, cenni agli algoritmi di super-risoluzione (MUSIC, ESPRIT, SAGE).
Principali Tecnologie per la radiolocalizzazione.
1. Tecnologie satellitari: Introduzione al Global Navigation Satellite System (GNSS): GPS, GALILEO, GLONASS, BEIDOU. Principi di funzionamento del GPS e degli altri sistemi GNSS. Architettura dei sistemi GNSS e possibili applicazioni: cenni su effemeridi ed effetti relativistici. Richiami sui sistemi Direct Sequence Spread Spectrum (DSSS). Il segnale GPS: L1 ed L2, codici C/A e P(Y). Funzionamento del ricevitore GPS: acquisizione e tracking, circuiti DLL e PLL. Il messaggio di navigazione GPS. Cenno al GPS modernizzato: nuovi segnali L1C, L2C, L5. Utilizzo del GNSS per misure di velocità. Utilizzo del GNSS per la distribuzione del tempo: tempo GPS vs tempo UTC vs tempo TAI. Principali cause d'errore nel GPS: offset e drift dei clock, ritardo ionosferico/troposferico, errori di multipath. Tecniche differenziali e compensazione degli errori di modo comune. Stima di posizione con precisione centimetrica mediante tecniche avanzate di GPS differenziale: Precise Point Positioning (PPP) e Real-Time Kinematic (RTK). Utilizzo del GNSS per per la navigazione aerea: tecniche basate su ADS-B e multilaterazione.
2. Tecnologie di radiolocalizzazione basate su reti radio terrestri: la localizzazione nei sistemi radiomobili dal 2G al 5G, caratteristiche ed evoluzione. Localizzazione ad alta precisione tramite sistemi UWB (cenni). I futuri sistemi 6G e la convergenza di sistemi di comunicazione e sensing/localizzazione: il paradigma Integrated Communication and Sensing (ICAS).
PARTE 2: TELERILEVAMENTO
Principi e metodi per il telerilevamento. Tecniche di acquisizione dell'informazione mediante l'onda elettromagnetica: telerilevamento passivo e attivo, acquisizione di informazione con cooperazione. Interazione della radiazione elettromagnetica con l'atmosfera e con le superfici naturali (vegetazione, acqua, suolo). La multispettralità e la firma spettrale: esempi. Telerilevamento satellitare: cenni storici, concetti di base sulla composizione di un sistema di telerilevamento per l'Osservazione della Terra. Cenni alle applicazioni del telerilevamento per: rilevazione dello stato dei suoli (temperatura, umidità) e delle superfici marine (temperatura delle acque, stato di salute del fitoplancton), erosione delle zone costiere, supporto all'agricoltura e viticoltura di precisione.
Principali grandezze radiometriche: densità spettrale di potenza, irradianza, radianza, brillanza. Cenno alle corrispondenti grandezze fotometriche. Emissione elettromagnetica dei corpi: corpo nero, corpo grigio, emissività e temperatura di brillanza. Interazione tra onde elettromagnetiche, ostacoli e atmosfera: riflessione, assorbimento e scattering da superfici rugose; tipologie di scattering nell'atmosfera (Rayleigh, Mie, non selettivo, Raman).
Fondamenti di telerilevamento passivo: il radiometro a microonde. Radiometri ottici e termocamere. Cenni su alcune tipologie di sensori elettromagnetici alle frequenze dell'infrarosso e del visibile: sensori quantici (fotodiodi e fototransistors), sensori a termopile e bolometrici; sensori imaging MOS ed ad accoppiamento di carica (CCD).
Fondamenti di telerilevamento attivo. Problemi di scattering elettromagnetico diretto ed inverso, derivazione dell'equazione del RADAR bistatica e monostatica. Radar Cross Section (RCS) monostatica e bistatica, caratteristiche e legame con le caratteristiche del target, cenni ai metodi per il calcolo della RCS (ottica fisica, modelli elettromagnetici a raggi). Cenni alla tecnologia stealth.
Le principali architetture radar: radar pulsato, schema di ricezione incoerente, quasi-coerente, e corente. Richiami su probabilità di detection e di falso allarme, scelta della soglia ottima, curve ROC. Effetti di fluttuazione della RCS del target: modelli Swerling I, II, III e IV. Effetto del cluttering e metodi di equalizzazione: la detection Constant False Alarm Rate (CFAR). Criteri di progetto di un sistema radar. Tecniche di trasmissione avanzata: radar pulse-Doppler, radar a compressione di impulso (con codici di Barker e forme d'onda chirp). Il Doppler dilemma. Radar ad onda continua (CW), ad onda continua modulato in frequenza (FMCW). Esempi: radar altimetro, radar veicolare anti-collisione. Principali tipologie di antenne radar: antenne a fascio conico, antenne fan-beam (es. antenna a cosecante), antenne phased arrays (es. Cobra Dane).
Rilevamento delle superfici terrestri e marine: i radar scatterometri. Radar per applicazioni di imaging ad alta risoluzione su piattaforma aviotrasportata e satellitare: Side-Looking Radar ad apertura reale (SLR), Radar ad Apertura Sintetica (SAR), interferometria SAR differenziale (InSAR). Effetti di distorsione nelle immagini SAR: slant-range distorsion, layover, shadowing, speckles.
Acquisizione e interpretazione di immagini telerilevate. Calibrazione radiometrica, conversione da digital number a radianza e a parametri fisici. Cenni sulla correzione atmosferica e le tecniche di filtraggio del rumore. Applicazione di tecniche AI alla segmentazione e classificazione di immagini: metodi di classificazione supervisionata (minima distanza dalla media, massima verosimiglianza, support vector machine, random forest). Metodi di classificazione non supervisionata (clustering, k-means, isodata). Esercitazione in ambiente Matlab/Python sulla classificazione di immagini iperspettrali.
_____________________________________________
Se rimane tempo, si approfondirà a scelta e in base agli interessi degli studenti uno degli argomenti seguenti:
1) Il radar meteorologico: suo utilizzo per il nowcasting, la rilevazione di idrometeore (pioggia, neve, grandine) e la prevenzione di catastrofi (alluvioni, uragani, esondazioni, frane).
2) La radiazione solare: costante solare, diffusione e assorbimento nell'atmosfera. Insolazione, indice di chiarezza, riflettività delle superfici (albedo), assorbimento e riemissione termica. Effetto della vegetazione, sequestro di CO2 ed evapotraspirazione. Bilancio energetico di un'area urbana. Impatto del global warming e monitoraggio dei cambiamenti climatici: cenno agli effetti di "isola di calore" in ambiente urbano.
3) Sistemi di telerilevamento attivi a frequenze ottiche: LIDAR e laser scanners, loro utilizzo per la rilevazione di inquinanti nell'atmosfera e misurazione dei gas serra.
4) Rilevamento di gesti umani e/o monitoraggio dei segni vitali mediante sistemi RADAR. Applicazione di tecniche machine learning per la classificazione dei gesti umani.

Modalità d'esame

L'esame consiste in una prova orale suddivisa in 3 domande, alla prima delle quali il candidato deve rispondere per iscritto. Le domande vertono sull'intero programma del corso.
La prima domanda (scritta), è volta alla risoluzione di un problema di tipo progettuale/numerico e di norma dev'essere svolta in un tempo massimo di un'ora. E' ammesso l'ausilio di appunti, libri, dispense esclusivamente in forma cartacea. Non è ammesso l'uso di nessun tipo di dispositivi elettronici, ad eccezione di una calcolatrice scientifica, se necessaria per la risoluzione del problema. La soluzione del candidato viene brevemente discussa nel colloquio orale ed il docente comunica allo studente la valutazione di massima, prima di procedere alla somministrazione delle successive 2 domande orali.
Il voto finale risulta dalla valutazione complessiva (media) delle risposte alle 3 domande. La lode è attribuita a discrezione del docente qualora il candidato risponda in modo corretto e senza errori o imprecisioni rilevanti a tutte e 3 le domande somministrate, ed inoltre nel colloquio dimostri una ottima capacità di analisi critica degli argomenti trattati e una eccellente capacità di espressione e argomentazione. Per poter sostenere l'esame è obbligatoria l'iscrizione su ALMAEsami.
Criteri per la gradazione del voto finale:
Scarsa conoscenza degli argomenti del corso, inadeguata capacità di analisi critica e di analisi/soluzione di problemi progettuali/numerici; espressione scorretta o inappropriata daranno luogo a una valutazione negativa. In caso di voto insufficiente gli studenti dovranno ripetere la prova.
Preparazione su un numero molto limitato di argomenti affrontati nel corso, poca dimestichezza nella risoluzione di problemi progettuali/numerici, e capacità di analisi che emerge solo con l’aiuto del docente, espressione in linguaggio complessivamente corretto → 18-19;
Preparazione su un numero limitato di argomenti affrontati nel corso, limitata autonomia nella soluzione di problemi progettuali/numerici e capacità di analisi autonoma solo su questioni puramente esecutive, espressione in linguaggio corretto → 20-24;
Preparazione su un numero ampio di argomenti affrontati nel corso, buona autonomia nella soluzione di problemi progettuali/numerici e capacità di compiere scelte autonome di analisi critica, padronanza della terminologia specifica → 25-29;
Ottima capacità di analisi critica degli argomenti trattati e una eccellente capacità di espressione e argomentazione; ottima competenza e capacità di applicare le conoscenze a problemi progettuali/numerici in modo autonomo → 30-30L.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it ): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

Sono disponibili le dispense redatte dal docente e le presentazioni powerpoint utilizzate. Tutto il materiale sarà reso disponibile sulla piattaforma VIRTUALE.
Testi consigliati:
Brivio P.A., Lechi G., Zilioli E.: Principi e metodi di telerilevamento. Citta' Studi Edizioni, 2006. W. G. Rees, "Physical Principles of Remote Sensing", 3rd Edition, Cambridge University Press, 2012. F. T. Ulaby, D. G. Long, "Microwave Radar and Radiometric Remote Sensing", Artech House, 2015. R. M. Rauber, S. W. Nesbitt, "Radar Meteorology - A first course" Wiley, 2018. P. Misra, P. Enge, “Global Positioning System: Signals, Measurements, and Performance (Revised Second Edition)”, Ganga-Jamuna Press, 2012.
Altri testi di consultazione e approfondimento per argomenti specifici:
G. Falciasecca, "Dopo Marconi il diluvio. Evoluzione nell'infosfera", Ed. Pendragon, 2016. Merrill Skolnik, "Radar Handbook", Third Edition, McGraw-Hill, 2008. F. Berizzi, "I sistemi di telerilevamento Radar", Apogeo, 2010. C. Elachi, J. Van Zyl, "Introduction to the physics and techniques of Remote Sensing", 2nd Edition, Wiley, 2006. Kuo-Nan Liou, "An Introduction to Atmospheric Radiation", Academic Press, 1980. P. Dong, Q. Chen, "LiDAR Remote Sensing and Applications", CRC Press, 2018 Claus Weitkamp, "LIDAR : range-resolved optical remote sensing of the atmosphere", Springer, 2005. Vosselman G., Maas H.: Airborne and Terrestrial Laser Scanning, Whittles ed., 2010. A.I. Kozlov, L.P. Ligthart, A.I. Logvin, "Mathematical and physical modelling of microwave scattering and polarimetric remote sensing", Kluwer Academic Publishers, 2004. B. Hofmann-Wellenhof, H. Lichtenegger E. Wasle, "GNSS – Global Navigation Satellite Systems. GPS, GLONASS, Galileo, and more", Springer, 2007. P. D. Groves, "Principles of GNSS, Inertial, and Multisensor Integrated Navigation Systems", Artech House, 2008. S. Frattasi, F. Della Rosa, "Mobile Positioning and Tracking - From Conventional to Cooperative Techniques" 2nd Edition, Wiley, 2017. D. Dardari, E. Falletti, M. Luise, "Satellite and Terrestrial Radio Positioning Techniques: A Signal Processing Perspective", Academic Press, 2012.

Codice insegnamento B8388

SMART GRIDS FOR RENEWABLES INTEGRATION LM 2° anno · 1° semestre · 6 CFU · IIND-08/B · 0 file

Al termine del corso gli studenti conoscono i criteri di base per la pianificazione, l'esercizio, il controllo e la protezione di reti di distribuzione di energia elettrica a media/bassa tensione con elevata penetrazione…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso gli studenti conoscono i criteri di base per la pianificazione, l'esercizio, il controllo e la protezione di reti di distribuzione di energia elettrica a media/bassa tensione con elevata penetrazione di generazione dispersa - principalmente da fonti rinnovabili - e unità di accumulo, basate sull'impiego di tecnologie ICT (smart grid). Il corso si concentra sulla stabilità, sul controllo di tensione e frequenza, sulla gestione lato domanda delle reti di distribuzione menzionate. Il corso contiene anche un modulo di laboratorio al termine del quale gli studenti hanno le conoscenze di base per la progettazione e l'impiego di un DMS (distribution management system) per reti di distribuzione attive.

Programma

The course addresses some of the main issues relevant to the power distribution network operation in presence of distributed generation and of the power apparatuses and systems that allow for its smart management.
In particular, the course deals with the steady state and transient response of power grids by using suitable models of the main components of the electrical power systems, to be implemented in simulation environments.
During the carrying out of the Laboratory activities, some of the methods supporting the smart management of active distribution networks, such as load flow calculation and state estimation, are applied to case studies that take into consideration the recent technical standards for the connection of distributed generation resources to the power grid. Matlab and EMTP are the professional software environments used for the purpose.
The course also briefly introduces the use of artificial intelligence and machine-learning techniques as support tools for load/generation forecasting, monitoring, pseudo-measurement generation, and state estimation in active distribution networks.
In the laboratory sessions, an introduction to FPGA and Real-Time Labview programming is provided for the development of signal acquisition systems, processing and control on reconfigurable platforms as a support for DMS.
Theory
The smart grid. Impact of distributed generation and renewables. Recall of power flow calculations. Calculation of the hosting capacity of a distribution feeder. Interconnection of renewable and distributed generation and relevant protections. Introduction to power system state estimation. Introduction to artificial intelligence and machine learning applications for active distribution networks: forecasting, monitoring, state-estimation support, and decision support for DMS. Introduction to phasor measurements units and their applications. Grid-codes present and future requirements in presence of converter-connected resources.
Introduction to EMTP calculations. Transient response of a distribution feeder. Frequency control in presence of islanded generators and frequency taker converter-connected generators. Development of a voltage-unlock protection in EMTP. State estimation of power systems in Matpower. Machine-learning-based load/generation forecasting and use of pseudo-measurements for distribution-system state estimation in Matpower. Introduction to FPGA and Real-Time Labview programming. Coding phasors and estimation of the positive, negative and zero sequence in a real time application. Development of a Fault Ride Through protection for a Wind Turbine Generator in LabView real-time environment.

Modalità d'esame

The end-of-course examination, conducted via EOL, will assess both theoretical and laboratory topics, including EMTP and LabVIEW programming. Exam schedules will be available at almaesami.unibo.it.

Testi di riferimento

Lecture notes.

Codice insegnamento B8526

TEORIA DELL'INFORMAZIONE E CRITTOGRAFIA LM 2° anno · 2° semestre · 6 CFU · IINF-03/A · 0 file

Al termine del corso lo studente conosce i fondamenti della teoria dell’informazione: entropia, compressione, capacità dei canali di trasmissione; analisi teorica dell’energia richiesta per la trasmissione delle…

Scheda dell'insegnamento

Obiettivi formativi

Al termine del corso lo studente conosce i fondamenti della teoria dell’informazione: entropia, compressione, capacità dei canali di trasmissione; analisi teorica dell’energia richiesta per la trasmissione delle informazioni; codici a correzione d’errore per audio e video; fondamenti della crittologia e della sicurezza nelle comunicazioni; applicazioni: sistemi wireless, satelliti, memorizzazione dati, reti di sensori, cyber-physical systems, Internet of Things.

Programma

Il corso è articolato in due parti principali: crittografia e teoria dell’informazione.
Parte I: Crittografia
Introduzione. Principali obiettivi della sicurezza: confidenzialità, integrità, disponibilità e autenticazione. Cifratura, canale, decifratura. Cifrari simmetrici e asimmetrici.
Elementi di teoria dei numeri. Divisione euclidea tra interi. Algoritmi per il calcolo del resto. Massimo comun divisore. Teorema di Bézout. Algoritmo di Euclide. Aritmetica modulare e relative proprietà. Problema del logaritmo discreto. Campi finiti. GF(p) con p primo. Somma, prodotto e potenza in GF(p). Elementi generatori. GF(p^m): rappresentazione degli elementi del campo come polinomi. Polinomi irriducibili e polinomi primitivi. Generazione del campo mediante polinomi irriducibili. Rappresentazione degli elementi del campo come potenze di un elemento primitivo modulo un polinomio primitivo.
Confidenzialità. Cifrari a blocchi come famiglie di biezioni indicizzate tra insiemi. Attacco esaustivo: tempo richiesto in funzione del numero di chiavi. Esempi: permutazione dell’alfabeto, testo in chiaro costituito da caratteri e cifrario a scorrimento ciclico, o cifrario di Cesare. Numero di chiavi e implementazione mediante operatore modulo. Sostituzione dell’alfabeto mediante una permutazione generica. Numero di chiavi. Attacco mediante analisi delle frequenze dei caratteri. Il disco cifrante di Leon Battista Alberti.
Cifrario di Vigenère: numero di chiavi, possibili attacchi quando la lunghezza della chiave è nota e quando non è nota. Cifrari a flusso: esempio con flussi di bit e operazione XOR con la chiave. Caso ideale: chiave di lunghezza pari al messaggio, completamente casuale, o one-time pad. Caso di chiave di lunghezza finita riutilizzata periodicamente. Schemi pratici di cifratura a blocchi: DES e AES.
Scambio di chiavi Diffie-Hellman: algoritmo e vulnerabilità.
RSA: algoritmo e dimostrazione rigorosa della correttezza. Aspetti computazionali e generazione delle chiavi.
Concetti di base della crittografia a curve ellittiche.
Confronto tra AES, RSA, DH ed ECDH.
Integrità. Funzioni hash crittografiche. Message Authentication Code. Firme digitali.
Autenticazione: password, salting e hashing, one-time password.
Challenge-response. Attacco man-in-the-middle.
Applicazioni: sistemi cellulari, WiFi. Crittografia nel Transport Layer Security.
Parte II: Teoria dell’informazione
Informazione, incertezza ed entropia. Entropia per sorgenti discrete senza memoria. Codifica di sorgente. Informazione mutua e capacità di canale. Teorema di Shannon sulla codifica di canale. Capacità dei canali gaussiani additivi. Formula di Hartley-Shannon per il canale gaussiano additivo a banda limitata. Rapporto tra energia per bit e densità spettrale di rumore. Efficienza energetica ed efficienza spettrale. Energia minima teorica per bit trasmesso.
Codifica di canale. Teoria della decisione: decodifica a massima verosimiglianza e a massimo a posteriori. Codici lineari a blocchi. Codici ciclici. Codici convoluzionali. Algoritmo di Viterbi. Codifica per canali correlati: interleaving. Codici perforati. Codici concatenati. Codici su grafi e decodifica iterativa: codici turbo e codici LDPC. Decodifica mediante algoritmi di message passing e belief propagation.
Applicazioni. Crittografia, protezione dagli errori e bilancio energetico per la trasmissione dell’informazione nei sistemi cellulari wireless, nei sistemi satellitari, nei sistemi di memorizzazione dati, nelle reti di sensori wireless, nei sistemi cyber-fisici e nell’Internet of Things.

Modalità d'esame

La verifica dell’apprendimento avviene mediante un’unica prova scritta della durata di due ore, finalizzata ad accertare il conseguimento degli obiettivi formativi dell’insegnamento. La prova è articolata in domande aperte ed esercizi relativi agli argomenti trattati durante il corso. Durante la prova non è consentito l’uso di libri, appunti, calcolatrici o altri supporti elettronici, salvo eventuali ausili autorizzati nell’ambito degli adattamenti approvati per studenti e studentesse con DSA o disabilità.
La prova è volta a verificare la conoscenza e la comprensione dei fondamenti della teoria dell’informazione e della crittografia; la capacità di applicare i metodi teorici e gli strumenti matematici presentati durante il corso alla risoluzione di problemi specifici; l’autonomia di giudizio nella valutazione critica di diverse soluzioni per la compressione, la codifica, la protezione e la trasmissione dell’informazione; la chiarezza espositiva e l’uso corretto del linguaggio tecnico.
Conseguiranno una valutazione eccellente gli studenti e le studentesse che dimostreranno una conoscenza organica e approfondita degli argomenti trattati, un’elevata capacità di applicare in modo autonomo e critico gli strumenti teorici e metodologici acquisiti, correttezza nell’impostazione e nello svolgimento degli esercizi, capacità di collegare tra loro i diversi argomenti del corso e piena padronanza del linguaggio tecnico.
Conseguiranno una valutazione intermedia gli studenti e le studentesse che dimostreranno una conoscenza corretta ma non pienamente approfondita dei contenuti, una capacità applicativa adeguata ma non sempre autonoma, una sufficiente capacità di collegamento tra gli argomenti e un uso complessivamente corretto del linguaggio tecnico.
Conseguiranno una valutazione sufficiente gli studenti e le studentesse che dimostreranno una conoscenza essenziale degli argomenti e una capacità di applicazione limitata ai casi più semplici. Lacune significative nella conoscenza dei concetti fondamentali, difficoltà nell’applicazione degli strumenti metodologici, errori nell’impostazione o nello svolgimento degli esercizi, e un uso inappropriato del linguaggio tecnico saranno valutati negativamente.
Non sono previste prove intermedie né elaborati da consegnare prima della prova d’esame.
Per quanto riguarda la verifica dell’apprendimento, l’uso dell’Intelligenza Artificiale generativa è vietato. Ogni utilizzo costituisce violazione dell’integrità accademica.
Studenti/sse con DSA o disabilità temporanee o permanenti: si raccomanda di contattare per tempo l’ufficio di Ateneo responsabile (https://site.unibo.it/studenti-con-disabilita-e-dsa/it): sarà sua cura proporre agli/lle studenti/sse interessati/e eventuali adattamenti, che dovranno comunque essere sottoposti, con un anticipo di 15 giorni, all’approvazione del/della docente, che ne valuterà l'opportunità anche in relazione agli obiettivi formativi dell’insegnamento.

Testi di riferimento

Gli appunti di lezione resi disponibili online dal docente costituiscono il materiale principale per la preparazione dell’esame.
I seguenti testi sono consigliati per consultazione e approfondimento:
T. M. Cover, J. A. Thomas, Elements of Information Theory, Wiley-Interscience, New York. W. Stallings, Crittografia, Pearson.

Codice insegnamento 84235

TIROCINIO ALL'ESTERO IN PREPARAZIONE DELLA PROVA FINALE LM (12 CFU) 2° anno · 2° semestre · 12 CFU · 0 file
TIROCINIO IN PREPARAZIONE DELLA PROVA FINALE LM (12 CFU) 2° anno · 2° semestre · 12 CFU · 0 file

Recensioni del corso

Studi qui? Accedi per lasciare la tua recensione e aiutare altri studenti a scegliere.

★

Nessuna recensione per ora — e la prima è la più preziosa. Condividi la tua esperienza e orienta le future matricole.