پژمان احمد نژاد ساداتی (نمونه پروفایل)

مهندسی کامپیوتر - دانشکده فنی مهندسی

بیوگرافی

پژمان احمدنژاد ساداتی دانشجوی سال دوم مقطع دکتری مهندسی کامپیوتر دانشگاه محقق اردبیلی است. او مدرک کارشناسی و کارشناسی ارشد خود را به ترتیب از دانشگاه تهران و دانشگاه صنعتی امیرکبیر در سال های 1392 و 1394 کسب نمود. موضوع رساله وی ارائه یک راهکار کم هزینه برای بهبود اطمینان پذیری در حافظه های نهان NVM می باشد که تحت راهنمایی دکتر شهرام جمالی در حال انجام می باشد. کسب رتبه برتر در مسابقات ملی طراحی ربات های پرنده، رتبه دوم ورودی در مقطع کارشناسی ارشد و رتبه سوم در مقطع کارشناسی از موفقیت های او در طول تحصیل می باشد. پایان نامه کارشناسی ارشد او در زمینه بررسی اطمینان پذیری در Embedded Operating Systems که تحت نظارت پروفسور محمدحسین پویان پور به انجام رسید منجر به چاپ سه مقاله در ژورنال های معتبر علمی گردید. وی به مدت یک سال دستیار آموزشی درس معماری کامپیوتر در دانشگاه امیرکبیر بوده و در حال حاضر در دانشگاه های آزاد اسلامی و پیام نور اردبیل به عنوان استاد مدعو فعالیت می نماید.

زمینه تحقیقاتی دوره دکتری

یادگیری عمیق

یادگیری عمیق ( Deep learning) یک زیر شاخه از یادگیری ماشینی و بر مبنای مجموعه‌ای از الگوریتم‌ها است که در تلاش هستند مفاهیم انتزاعی سطح بالا در دادگان را مدل نمایند که این فرایند را با استفاده از یک گراف عمیق که دارای چندین لایه پردازشی متشکل از چندین لایه تبدیلات خطی و غیر خطی هستند، مدل می‌کنند. به بیان دیگر پایهٔ آن بر یادگیری نمایش دانش و ویژگی‌ها در لایه‌های مدل است. یک نمونه آموزشی (برای نمونه: تصویر یک گربه) می‌تواند به صورت‌های گوناگون بسان یک بردار ریاضی پر شده از مقدار به ازای هر پیکسل و در دید کلی تر به شکل یک مجموعه از زیرشکل‌های کوچک‌تر (نظیر اعضای صورت گربه) مدل سازی شود. برخی از این روش‌های مدل سازی سبب ساده شدن فرایند یادگیری ماشین (برای نمونه: تشخیص تصویر گربه) . در یادگیری ژرف امید به جایگزینی استخراج این ویژگی‌های تصویر به دست بشر (مانند اعضای گربه) با روش‌های کامل خودکار ‌بی‌نظارت و نیمه نظارتی وجود دارد. انگیزهٔ نخستین در بوجود آمدن این ساختار یادگیری از راه بررسی ساختار عصبی در مغز انسان الهام گرفته شده‌است که در آن یاخته‌های عصبی با فرستادن پیام به یکدیگر درک را امکان‌پذیر می‌کنند. بسته به فرض‌های گوناگون در مورد نحوهٔ اتصال این یاخته‌های عصبی، مدل‌ها و ساختارهای مختلفی در این حوزه پیشنهاد و بررسی شده‌اند، هرچند که این مدل‌ها به صورت طبیعی در مغز انسان وجود ندارد و مغز انسان پیچیدگی‌های بیشتری را دارا است. این مدل‌ها نظیر شبکه عصبی عمیق، شبکه عصبی پیچیده ، شبکه باور عمیق پیشرفت‌های خوبی را در حوزه‌های پردازش زبان‌های طبیعی، پردازش تصویر ایجاد کرده‌اند. در حقیقت عبارت یادگیری عمیق، بررسی روش‌های تازه برای شبکه عصبی مصنوعی است.

حافظه غیرفرار

حافظه غیر فرار (Non-volatile memory) حافظه‌ای است که اطلاعات آن با قطع شدن برق از بین نرود و بتواند اطلاعات را در حالت نبود برق هم حفظ کند. از انواع حافظه‌های غیر فرار می‌توان به حافظه فقط خواندنی، حافظه فلش، اف‌رم، انواع دستگاه‌های ذخیره‌سازی مغناطیسی مانند دیسک سخت، فلاپی دیسک، نوار مغناطیسی، دیسک نوری، و انواع اولیه رسانه‌های ذخیره‌سازی مانند کارت پانچ و نوار پانچ اشاره کرد. حافظه‌های غیرفرار معمولاً به عنوان حافظه ثانویه و برای ذخیره کردن طولانی مدت داده‌ها استفاده می‌شوند. پر استفاده‌ترین حافظه اولیهای که امروزه استفاده می‌شود، حافظه با دسترسی تصادفی (Random access memory) نام دارد که یک حافظه فرار است. به این معنی که وقتی که رایانه خاموش می‌شود، هر چیزی که در داخل آن ذخیره شده از بین می‌رود. متأسفانه اکثر حافظه‌های غیرفرار محدودیت‌هایی دارند که آنها را برای استفاده به عنوان حافظه اولیه و اصلی نامناسب کرده است. معمولاً حافظه‌های غیرفرار یا قیمت بالایی دارند یا اینکه نسبت به حافظه با دسترسی تصادفی فرار از کارایی پایینتری برخوردارند. چندین شرکت در حال کار بر روی نوعی حافظه غیرفرار هستند که سرعت آنها قابل مقایسه با RAM باشد. چندین شرکت روی توسعه دادن حافظهٔ غیرفرار سیستم‌ها درمقایسه باسرعت و ظرفیت حافظهٔ فرار کار می‌کنند.IBMبه طور رایج درحال توسعه دادنM-RAM (رم‌های مغناطیسی)(magnetore sistive)است. نه تنها این تکنولوژی می‌تواند انرژی را ذخیره کند بلکه می‌تواند به کامپیوترها این اجازه را بدهد که به سرعت روشن و خاموش شوند درحالی که متوقف باشند با روشن و خاموش کردن آهستهٔ زودگذر از روی ترتیب. به علاوهram tron بین‌المللی درحال توسعه، پردازش و پروانه دادنرم‌های فروالکتریک(F-RAM) (ferroelectric ram)است. یک تکنولوژی که ویژگی‌های مشخصی شامل تحمل کردن فشار زیاد (زیاده روی ۱۶^۱۰برای 3.3Vدستگاه‌ها) مصرف بسیارکم انرژی (از وقتی کهF-RAMهامثل بقیهٔ حافظه‌های غیرفرار نیاز به شارژ شدن ندارند) سرعت تک چرخه نوشتن و تحمل تابش گاما را از امکانات بقیهٔ حافظه‌های غیرفرار گرفته است. از دیگر شرکت‌هایی کهF-RAMتولیدکرده‌اند و تحت لیسانس این تکنولوژی قرارگرفته‌اند شاملRohm,تگزاس اینسترومنتس و fujitsu هستند.

سنتز نانوبیوکامپوزیت ها

در بحث مواد نانو، نانوکامپوزیت ها دارای جایگاه ویژه ای می باشند. نانوکامپوزیت ها مواد جامد چندفازی هستند که یکی از فازهای آنها حداقل در یک بعد، ابعادی کمتر از 100 نانومتر دارد. در میان نانوکامپوزیت ها بیشترین توجه به نانوکامپوزیت های زمینه پلیمری معطوف شده است. دلیل اصلی برای توسعه نانوکامپوزیت زمینه پلیمری خواص بی نظیر مکانیکی، شیمیایی و فیزیکی آن می باشد. همچنین به دلیل موفقیت چشمگیر نانوکامپوزیت ها در حوزه پلیمرهای سنتزی، تحقیقات جدیدی از نانوکامپوزیت ها بر پایه ی پلیمرهای زیست تخریب پذیر آغاز شده است. نانوبیوکامپوزیت ها از یک ماتریکس بیوپلیمری تقویت شده با پرکننده های معدنی و یا آلی در ابعاد نانوتشکیل شده است. به دلیل نسبت بالای سطح به حجم در نانو ذرات، نانوبیوپلیمرها و نانوپلیمرها دارای خصوصیات مکانیکی بالا، وزن کم، پایداری حرارتی بالا، رسانایی الکتریکی بالا و مقاومت شیمیایی بالا هستند. بعلاوه بیشتر نانو ذرات استفاده شده خاصیت ضد میکروبی بسیار قوی دارند. با توجه به محدودیت های روش های سنتی نگهداری مواد غذایی، این نوع پلیمرها، جایگزین مناسبی در سیستم های بسته بندی و برای حفاظت غذا می باشند. زیرا که استفاده از نانوکامپوزیت های پلیمری با خواص مکانیکی و گرمایی ایده آل و خواص ضد میکروبی بالا سبب بهبود کیفیت و افزایش عمر ماندگاری غذا و در نتیجه اطمینان از امنیت غذا می گردد.

مقالات

مهارت ها و توانمندی ها

برنامه نویسی به زبان های C/C++ ، جاوا

زبان انگلیسی : تاقل آی بی تی 103

نرم افزارهای متلب ، مایکروسافت آفیس

محیط های شبیه سازی Modelsim, Synopsys

سیستم عامل لینوکس، ویندوز

طراحی بازی های کامپیوتری