APRÈN. Portal de la producció docent del professorat de la UPC

El camp de la fotònica està avançant a grans passes, amb la promesa de noves tecnologies que podrien ser implementades en dispositius que usem en el dia a dia. Perquè això sigui una realitat, es necessiten desenvolupar nous materials per tal d'aprofitar les propietats de la llum. Això, tanmateix, planteja tota mena de reptes, però encara és possible trobar estructures que puguin ser útils. A més, la implementació d'algoritmes dins d'aquests propis dispositius serà certament un objectiu de la investigació dels pròxims anys. Aquest treball està dividit en dues parts, ambdues relacionades amb tecnologies de la fotònica experimental. A la primera part, detallem la fabricació i caracterització de diferents dispositius nanofotònics utilitzant el mètode ImpFab, una tècnica innovadora de nanofabricació en 3D. Primer, presentem la teoria darrere dels cristalls fotònics i els metamaterials, que després fabriquem utilitzant aquest mètode. Les mesures experimentals són posteriorment comparades amb dades teòriques simulades amb l'objectiu de caracteritzar les diferents propietats dels materials fabricats. Finalment, discutim possibles millores de l'estat d'aquesta tècnica. Per l'altra banda, a la segona part estudiem un sistema de fibres òptiques que reprodueix el comportament de l'anomenat quantum walk en una dimensió. Fem una descripció teòrica rigorosa dels aspectes matemàtics del quantum walk i com es pot traslladar a un sistema fotònic, seguit de la descripció del nostre experiment en concret. Demostrem la possibilitat de reproduir les distribucions generades en un quantum walk fent servir elements per fibres òptiques i com modificar el sistema per induir diferents efectes.

El campo de la fotónica está avanzando a grandes pasos, con la promesa en el horizonte de nuevas tecnologías que podrían ser implementadas en nuestros dispositivos de uso cotidiano. Para que esto sea una realidad, se necesitan desarrollar nuevos materiales con tal de aprovechar las propiedades de la luz. Esto, no obstante, plantea toda clase de retos, aunque todavía es posible encontrar estructuras que puedan ser útiles para este propósito. Además, la implementación de algoritmos dentro de estos dispositivos será sin duda un objetivo para la investigación de los próximos años. Este trabajo está dividido en dos partes, ambas relacionadas con tecnologías de la fotónica experimental. En la primera parte, detallaremos la fabricación y caracterización de diferentes dispositivos nanofotónicos usando el método ImpFab, una técnica innovadora de nanofabricación en 3D. Primero presentamos la teoría relacionada con los cristales fotónicos y metamateriales, que luego fabricaremos usando este método. Las mediciones experimentales son posteriormente comparadas con datos teóricos simulados con el objetivo de caracterizar las distintas propiedades de los materiales fabricados. Finalmente, discutimos posibles mejoras de esta técnica. Por otro lado, en la segunda parte estudiaremos un sistema de fibras ópticas que reproduce el comportamiento del llamado quantum walk en una dimensión. Llevamos a cabo una descripción teórica de los aspectos matemáticos de un quantum walk y estudiamos como se traslada a un sistema fotónico, seguido de la descripción de nuestra implementación experimental. Demostramos la posibilidad de reproducir las distribuciones de un quantum walk usando elementos para fibras ópticas y cómo modificar el sistema para inducir diferentes efectos.

Es presenta una exploració de les Transformades en Grafs amb l'objectiu de millorar els algorismes de codificació en un còdec de video actual, AV2. Definim una versió paramètrica de transformada, basada en Grafs Lineals, i trobem una expressió per als paràmetres òptims en base a un model teòric de la senyal. A banda, explorem el concepte de transformades irregulars, que generalitzen la formulació i ens permeten regular la importància de cada pixel individualment. Finalment, presentem una implementació eficient de les Transformades en Grafs al software de referència d'AV2, aconseguint un guany de compressió d'un 0.16%.

Se presenta una exploración de las Transformadas en Grafos con el objetivo de mejorar los algoritmos de codificación en un códec de video actual, AV2. Definimos una versión paramétrica de transformada, basada en Grafos Lineales, y encontramos una expresión para los parámetros óptimos en base a un modelo teórico de la señal. Aparte, exploramos el concepto de transformadas irregulares, que generalizan la formulación y nos permiten regular la importancia de cada pixel individualmente. Por último, presentamos una implementación eficiente de las Transformadas en Grafos en el software de referencia de AV2, consiguiendo una ganancia de compresión de un 0.16%.

Els algorismes off-policy d'aprenentatge per reforç fan ús dels mecanismes de repetició de la memòria per a aprendre de l'experiència viscuda prèviament per altres agents. Existeixen diversos algorismes per a obtenir mostres de la memòria, i tots tenen la intenció de fer el procés d'aprenentatge més ràpid i eficient en el nombre de mostres visualitzades. Tot i això, no existeix cap marc comú que permeti comparar-los i explicar les diferències dels seus rendiments. A aquesta tesi presentarem una eina per a estudiar aquests algorismes: les distribucions de mostreig de transicions i estats. Aquestes eines fan possible establir comparacions entre diferents algorismes de repetició de memòria. Una anàlisi des del punt de vista de les distribucions evidencia que les memòries dels agents no són equilibrades: hi ha parts de l'espai d'estats que estan sobrerepresentades, mentre que d'altres amb prou feines són a la memòria. Aquesta troballa es repeteix en diversos entorns diferents, i de manera marcada a entorns on les recompenses són disperses. Acabarem proposant dos nous algorismes que solucionen el problema del desequilibri i obtenen millor rendiment a tasques amb recompenses disperses, mentre que funcionen igual de bé que els algorismes de referència en situacions més equilibrades.

Los algoritmos off-policy de aprendizaje por refuerzo usan los mecanismos de repetición de la memoria para aprender de la experiencia previamente obtenida por otros agentes. Existen varios algoritmos que permiten obtener muestras de la memoria, con la intención de acelerar el proceso de aprendizaje y hacerlo más eficiente en el número de muestras visualizadas. Sin embargo, no existe un marco común que permita compararlos y explicar diferencias en su rendimiento. En esta tesis presentamos una herramienta para estudiar estos algoritmos: las distribuciones de muestreo de transiciones y de estados. Estas herramientas permiten comparar diferentes algoritmos de repetición de la memoria. Un análisis desde el punto de vista de las distribuciones muestra que las memorias de los agentes no están equilibradas: hay partes del espacio de estados que están sobrerrepresentadas, y hay otras que prácticamente no están. Este descubrimiento se repite en distintos entornos, y de manera destacada en entornos con recompensas dispersas. Finalizamos proponiendo dos nuevos algoritmos que solucionan el problema del desequilibrio y consiguen mejor rendimiento en situaciones con recompensas dispersas, mientras que funcionan tan bien como los algoritmos de referencia en situaciones donde el desequilibrio no es un problema.

Sense cap mena de dubte, l'última dècada ha suposat un gran avenç pel que fa als algorismes d'aprenentatge profund. El seu impacte ha arribat a un ample rang de camps: des de visió artificial o processament de llenguatge natural, fins a medicina personalitzada o imatge biomèdica. Tot i això, la majoria de tasques que han estat solucionades per xarxes neuronals artificials depenen d'una gran quantitat de mostres ja anotades per a ser entrenades. D'aquí sorgeix la necessitat d'estratègies d'entrenament com l'aprenentatge auto-supervisat, que substitueix la necessitat de dades etiquetades per una major quantitat de mostres i un mètode que permeti extreure'n informació. En aquest treball proposem un nou algorisme per a la segmentació d'objectes en primer pla en imatges que no depèn de mostres etiquetades per al seu entrenament. En comptes d'això, aprofita la similitud que hi ha entre seqüències d'imatges amb un mateix fons per distingir aquells elements que corresponen al primer pla. A més, proposem un mètode que permet agrupar diferents regions segmentades per distingir diferents tipus d'objectes. Malgrat que aquest mètode només permet treballar amb imatges fotografiades amb una càmera fixa, ampliem l'algorisme de manera que sigui capaç d generalitzar aquests resultats a imatges mai vistes, la qual cosa ens permet avaluar-lo en conjunts de dades usats habitualment com a referència.

Sin duda alguna, la última década ha supuesto un gran avance para los algoritmos de aprendizaje profundo. Su impacto ha llegado a un amplio rango de campos: desde la visión artificial o el procesado de lenguaje natural, hasta la medicina personalizada o la imagen biomédica. Aun así, la mayoría de tareas que han sido solucionadas por redes neuronales artificiales dependen de una gran cantidad de datos etiquetados para ser entrenadas. De aquí surge la necesidad de estrategias como el aprendizaje auto-supervisado, que sustituye la necesidad de muestras anotadas por una mayor cantidad de datos y un método para extraer información útil de ellos. En este trabajo, proponemos un nuevo algoritmo para la segmentación de objetos en primer plano en imágenes que no depende de muestras etiquetadas para ser entrenado. En vez de esto, aprovecha la similitud entre secuencias de imágenes con un mismo fondo para distinguir aquellos elementos que corresponden al primer plano. Además, proponemos un método que permite agrupar distintas regiones segmentadas para distinguir distintos tipos de objeto. A pesar de que el algoritmo solamente puede trabajar con imágenes fotografiadas con una misma cámara fija, ampliamos nuestra propuesta para que pueda generalizar estos resultados a imágenes nunca vistas, lo cual nos permite evaluarlo en conjuntos de datos usados comúnmente como referencia.

En els darrers anys, el rapid desenvolupament dels recursos computacionals i les tècniques d'aprenentatge profund han donat lloc a un conjunt de nous mètodes per al denoising d'imatges. Aquests mètodes es basen principalment en l'entrenament supervisat de xarxes neuronals convolucionals, utilitzant imatges netes per generar parelles (sorollosa, neta) com a dades d'entrada i sortida durant l'entrenament. Aquest enfocament restringeix l'aplicació d'aquests mètodes als camps d'imatge on existeixen imatges netes. Això exclou la majoria de les dades d'imatge científica, on la recollida d'imatges netes és impossible emprant les tècniques actuals. Recentment, diferents autors han introduït un conjunt de tècniques que no requereixen dades netes en el que s'ha anomenat Denoising No Supervisat. No obstant això, no s'han realitzat comparacions importants entre aquests mètodes, de manera que no hi ha un mètode de referència inequívoc. A més, l'avaluació d'aquests mètodes sempre s'ha dut a terme de manera supervisada, comparant els resultats del denoising amb imatges netes de referència, a causa de la manca de mètriques fiables no supervisades. Tenint en compte aquests fets, en aquest treball dissenyem i testem un conjunt de mètriques no supervisades per a la comparació de models en absència de dades netes i les utilitzem per dur a terme una comparació global entre els diferents mètodes fins a la data utilitzant un conjunt d'imatges comú del camp de la microscòpia electrònica de transmissió.

En los últimos años, la extraordinaria mejora de los recursos computacionales y las técnicas de Deep Learning han dado lugar a un conjunto de nuevos métodos para eliminar el ruido de las imágenes. Estos métodos se basan principalmente en el entrenamiento supervisado de redes neuronales convolucionales, utilizando imágenes limpias para generar pares (ruidosa, limpia) como datos de (entrada, salida) durante el entrenamiento. Este enfoque restringe la aplicación de estos métodos a los campos de imágenes donde hay imágenes limpias disponibles. Esto excluye la mayor parte de los datos de imágenes científicas, en los que la recopilación de imágenes limpias es imposible utilizando las técnicas actuales. Recientemente, diferentes autores han introducido un conjunto de nuevas técnicas que no requieren datos limpios en lo que se ha denominado Unsupervised Denoising. Sin embargo no se han realizado comparaciones importantes entre estos métodos, por lo que no existe un criterio claro sobre el método de referencia. Además, la evaluación de estos métodos siempre se ha realizado de forma supervisada, comparando los resultados sin ruido con imágenes de referencia limpias, debido a la falta de métricas fiables no supervisadas. Atendiendo a estos hechos, en el presente trabajo diseñamos y probamos un conjunto de métricas no supervisadas para la comparación de modelos en ausencia de datos limpios y los usamos para llevar a cabo una comparación global entre los diferentes métodos hasta la fecha utilizando un conjunto de imágenes común de Microscopio Electrónico de Transmisión.

La fusió d'un parell de forats negres crea un altre forat negre. Diverses fórmules fenomenològiques ajusten els resultats de les simulacions numèriques per predir la massa i l'spin dels forats negres finals donats els paràmetres inicials. Utilitzant una d'aquestes fórmules, estudiem com els paràmetres inicials afecten els paràmetres finals del forat negre i també com LIGO prediu les variables del parell inicial (donat un mateix forat negre final). Per fer-ho, fem diversos gràfics per poder-ne extreure informació i escollim dos parells inicials (que acabin en el mateix forat negre) per descobrir com es comporten les seves ones gravitacionals i com LIGO detecta aquestes. Trobem que el conjunt de paràmetres inicials que arriben a un mateix forat negre no poden ser tan diferents entre ells i que les ones gravitacionals comparteixen en gran manera el mode primari, el (2,2), però no els altres. Fent servir RIFT, també observem alguns desplaçaments en la predicció dels valors finals.

La fusión de un par de agujeros negros crea otro agujero negro. Varias fórmulas fenomenológicas ajustan los resultados de las simulaciones numéricas para predecir la masa y el spin de los agujeros negros finales dados los parámetros iniciales. Utilizando una de estas fórmulas, estudiamos cómo los parámetros iniciales afectan a los parámetros finales del agujero negro y también cómo LIGO predice las variables del par inicial (dado un mismo agujero negro final). Para ello, hacemos varios gráficos para poder extraer información y escogemos dos pares iniciales (que acaben en el mismo agujero negro) para descubrir cómo se comportan sus ondas gravitacionales y cómo LIGO detecta estas. Encontramos que el conjunto de parámetros iniciales que llegan a un mismo agujero negro no pueden ser tan diferentes entre ellos y que las ondas gravitacionales comparten en gran medida el modo primario, el (2,2), pero no los demás. Utilizando RIFT también observamos algunos desplazamientos en la predicción de los valores finales.

L'objectiu principal de l'art robòtic és crear art alhora que desenvolupar tècniques generals que es puguin utilitzar en altres contextos. En aquesta tesi es presenta un projecte dins l'àmbit de la Pintura Robòtica. Per tal d'iniciar el camí cap a un sistema robòtic de reproducció autònoma d'un quadre, l'objectiu d'aquesta tesi és aconseguir que un robot pinti uniformement un llenç de vermell. Per fer-ho, s'han d'utilitzar diferents tècniques, i el focus principal es posa en la planificació del moviment (motion planning). Presentem una tècnica general que resol el problema de resolució de redundància (redundancy resolution) donada una superfície d'espai de tasques restringit. Aquest és un enfocament basat en gràfics que s'utilitza per trobar un mínim del camí global segons criteris de cost integrals per la ruta. Es basa en un graf de Roadmap precalculat que representa la preimatge de la superfície de l'espai de tasques restringit. Amb aquest graf, es troba primer una solució a un problema aproximat, mitjançant una cerca feta per un graf de capes creat a partir del Roadmap original. Finalment, les solucions s'ajusten amb una optimització final mitjançant grafs factorials (Factor Graphs). Aquest mètode s'aplica amb èxit a la pintura robòtica. Les nombroses reconfiguracions possibles d'un robot entre pinzellades s'eviten mitjançant un ús intel·ligent del Roadmap. Gràcies a això, es mostra la flexibilitat i l'adaptabilitat que aquest mètode aporta en aquest context.

El objetivo principal del arte robótico es crear arte a la vez que desarrollar técnicas generales que se puedan utilizar en otros contextos. En esta tesis se presenta un proyecto en el ámbito de la Pintura Robótica. Con el fin de iniciar el camino hacia un sistema robótico de reproducción autónoma de un cuadro, el objetivo de esta tesis es conseguir que un robot pinte uniformemente un lienzo de rojo. Para ello, deben utilizarse diferentes técnicas, cuyo foco principal se pone en la planificación del movimiento (motion planning). Presentamos una técnica general que resuelve el problema de resolución de redundancia (redundancy resolution) dada una superficie de espacio de tareas restringido. Éste es un enfoque basado en gráficos que se utiliza para encontrar un mínimo del camino global según criterios de coste integrales para la ruta. Se basa en un grafo de un Roadmap precalculado que representa la preimagen de la superficie del espacio de tareas restringido. Con este grafo, se encuentra primero una solución a un problema aproximado, mediante una búsqueda hecha en un grafo de capas creado a partir del Roadmap original. Por último, las soluciones se ajustan con una optimización final mediante grafos factoriales (Factor Graphs). Este método se aplica con éxito en la pintura robótica. Las numerosas reconfiguraciones posibles de un robot entre pinceladas se evitan mediante un uso inteligente del Roadmap. Gracias a ello, se muestra la flexibilidad y adaptabilidad que este método aporta en este contexto.

En els últims anys, la demanda de pròtesis que substitueixin extremitats no funcionals en els éssers humans ha augmentat considerablement. Per controlar-les amb l'activitat neuronal del cervell, alguns estudis sobre interfícies cervell-computadora han desenvolupat un mode de descodificació capaç d'inferir el moviment d'aquestes extremitats donada l'activitat elèctrica de les neurones motores associades en el còrtex cerebral. Tot i això, per aprofitar tot el potencial d'aquest model, és necessari proporcionar un model de codificació neuronal instantani que expressi la relació directe entre la cinemàtica (posició, velocitat i biaix) i l'activitat neuronal. El codificador proposat és un model Lineal-NoLineal-Poisson que prediu la probabilitat d'activació d'una neurona i se li proporciona a un generador de polsos de Poisson. Es prova el codificador amb dades reals obtingudes del còrtex motor de rates realitzant una tasca de pressió de palanca. L'objectiu d'aquesta investigació és proporcionar un procediment per estimar els paràmetres neuronals finals i comprovar l'adequació de la codificació per predir l'activitat neuronal.

En los últimos años, la demanda de prótesis que sustituyan extremidades disfuncionales de los seres humanos ha aumentado considerablemente. Para controlarlas con la actividad neuronal del cerebro, algunos estudios sobre interfaces cerebro-computadora han desarrollado un modelo de descodificación capaz de inferir el movimiento de estas extremidades dada la actividad eléctrica de las neuronas motoras asociadas en el córtex cerebral. Sin embargo, para aprovechar todo el potencial de este modelo, es necesario proporcionar un modelo de codificación neuronal instantánea que exprese la relación directa entre la cinemática (posición, velocidad y sesgo) y la actividad neuronal. El codificador propuesto es un modelo Lineal-NoLineal-Poisson que predice la probabilidad de activación de una neurona y se proporciona a un generador de pulsos de Poisson. Se prueba el codificador con datos reales obtenidos del córtex motor de ratas realizando una tarea de presión de palanca. El objetivo de esta investigación es proporcionar un procedimiento para estimar los parámetros neuronales finales y comprobar la adecuación de la codificación para predecir la actividad neuronal.