Estes temas de pesquisa estão a procura de alunos de IC, mestrado, doutorado, ou pos-doc interessados. Há diversas oportunidades de bolsa! 😊👜
Para outros temas de interesse entre em contato!
O tema “Sistemas Dinâmicos: Estudo Analítico e Simulação” envolve a análise matemática e computacional de sistemas que evoluem no tempo, abrangendo desde modelos lineares clássicos até fenômenos não lineares e caóticos encontrados em engenharia, física, biologia e economia. O foco está em compreender o comportamento de longo prazo, a estabilidade e o controle de sistemas complexos por meio de ferramentas analíticas, simulações numéricas e visualização de trajetórias em espaço de fases. O projeto oferece uma sólida base teórica aliada à experimentação computacional, permitindo que alunos de iniciação científica, mestrado e doutorado desenvolvam intuições profundas sobre a dinâmica de sistemas reais e aprimorem competências essenciais em modelagem, simulação e análise de estabilidade.
Exemplos de referências iniciais:
Chaos: An introduction to dynamical systems
Um novo “kit” em Python para estudar o caos
Constructing Neural Network Based Models for Simulating Dynamical Systems
Deep learning para estimar expoentes de Lyapunov
Independent symbol and oscillation time scales in solvable chaos
Chaotic properties of an FIR filtered Hénon map
Modeling chaotic synchronization dynamics using Koopman Physics-Informed Neural Networks
Reservoir computing as digital twins for controlling nonlinear dynamical systems
Nível do desafio: Iniciante e avançado.
O tema “Inferência Estatística e Estimação Bayesiana Aplicadas” aborda o desenvolvimento e a aplicação de métodos de estimação e tomada de decisão sob incerteza, com base em modelos probabilísticos. São estudados fundamentos de estimação pontual e intervalar, máxima verossimilhança, estimadores lineares e não lineares, inferência Bayesiana, estimação MAP e MMSE, além de técnicas computacionais como MCMC e métodos variacionais. O projeto combina teoria estatística rigorosa com implementação computacional aplicada a problemas reais em engenharia, como processamento de sinais, sistemas dinâmicos, comunicações, aprendizado de máquina e análise de dados. É indicado para alunos de iniciação científica, mestrado ou doutorado interessados em modelagem probabilística, quantificação de incerteza e métodos modernos de estimação em ciência e engenharia.
Exemplos de materiais de estudo iniciais:
Kalman and Bayesian Filters in Python
Think Bayes 2e - Bayesian Statistics Made Simple - Bayesian statistics in Python
NumPyro - a lightweight probabilistic programming library
Nível do desafio: Médio e avançado.
A análise tempo-frequência estuda como o conteúdo espectral de um sinal evolui no tempo, permitindo caracterizar fenômenos não estacionários como transientes, chirps, oscilações moduladas e eventos de curta duração. Este tema envolve o uso e o desenvolvimento de métodos clássicos — como STFT, wavelets e S-transform — bem como técnicas modernas que incorporam janelas adaptativas, modelos estatísticos e métodos numéricos eficientes. Um aspecto de interesse especial é o tratamento de sinais não uniformemente amostrados, comuns em aplicações reais (Astrofísica, Geofísica, Biomedicina), que exigem abordagens específicas para evitar interpolações artificiais e preservar propriedades espectrais. O projeto combina fundamentos teóricos de processamento de sinais com simulação computacional e análise de dados reais, oferecendo uma excelente base para pesquisas em ciência de dados, engenharia, física e aplicações multidisciplinares.
Exemplos de referências iniciais:
Time-frequency analysis of non-uniformly sampled signals via sample density adaptation
Nível do desafio: Iniciante, médio e avançado.
O tema Redes Complexas em Python e suas Aplicações trata da modelagem, análise e simulação de sistemas de engenharia que podem ser representados como grafos, com ênfase em redes de comunicação, sistemas elétricos, redes neurais, infraestruturas críticas e sistemas dinâmicos interconectados. São estudados conceitos fundamentais da ciência de redes, como centralidade, robustez, comunidades, redes small-world e scale-free, bem como a dinâmica de processos sobre redes, incluindo sincronização, difusão e propagação de falhas. O projeto combina base teórica sólida, como apresentada em A First Course in Network Science, com implementação computacional em Python, apoiada por tutoriais e cursos como Network Modeling and Analysis in Python. O tema é indicado para alunos de iniciação científica, mestrado ou doutorado interessados em modelagem de sistemas complexos, análise de redes reais e aplicações modernas em engenharia.
Exemplos de referências iniciais:
A First Course in Network Science
Curso Network Modeling and Analysis in Python no Coursera
Smart Cities usando Redes Complexas - analisando o metrô de São Paulo
Nível do desafio: Iniciante, médio e avançado.
O tema “Princípios de Computação Quântica” aborda os fundamentos teóricos e conceituais da informação e da computação quântica, conectando noções essenciais de mecânica quântica, álgebra linear, probabilidade e teoria da informação. São estudados conceitos como qubits, estados e medições quânticas, emaranhamento, portas e circuitos quânticos, além de algoritmos elementares que ilustram o potencial computacional do paradigma quântico. O tema se apoia em referências formativas clássicas, como o livro Quantum Computation and Quantum Information, e em materiais introdutórios que apresentam a mecânica quântica com rigor matemático acessível. O projeto combina estudo teórico com simulações computacionais de sistemas quânticos, sendo indicado para alunos de iniciação científica, mestrado ou doutorado interessados nas bases matemáticas e físicas da computação quântica e em suas aplicações futuras em Ciência e Engenharia.
Exemplos de referências iniciais:
Curso de Informação Quântica da Profa. Barbara Amaral (IFUSP)
Quantum Computation and Quantum Information, Michael A. Nielsen, Isaac L. Chuang
Next-Level Quantum Computers Will Almost Be Useful
Satellite-Relayed Intercontinental Quantum Network
Nível do desafio: Iniciante, médio e avançado.
O tema “Astronomia e Astrofísica usando Aprendizado de Máquina” explora como técnicas modernas de inteligência artificial podem revelar padrões e estruturas ocultas no vasto conjunto de dados astronômicos obtidos por telescópios terrestres e espaciais. Aplicações incluem desde a classificação automática de galáxias e detecção de exoplanetas até a análise de grandes catálogos cosmológicos, permitindo investigar a evolução do Universo e propriedades da matéria escura. O projeto combina fundamentos de processamento de sinais, visão computacional e modelagem estatística com problemas reais de astrofísica observacional e cosmologia, oferecendo uma oportunidade interdisciplinar para alunos interessados em iniciação científica, mestrado ou doutorado na Poli, com impacto direto nas fronteiras atuais da ciência e da engenharia.
Exemplos de referências:
Machine-learning inference of stellar properties using integrated photometric and spectroscopic data
Analysis of Ring Galaxies Detected Using Deep Learning with Real and Simulated Data
The Rayleigh Criterion: Resolution Limits of Astronomical Periodograms
Applying Vision Transformers on Spectral Analysis of Astronomical Objects
Photometric redshift estimation for emission line galaxies of DESI Legacy Imaging Surveys by CNN-MLP
Classificação de galáxias usando Deep Learning
Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images
Automated detection and classification of galaxies based on their brightness patterns
Galaxy Image Classification Based on Citizen Science Data: A Comparative Study
Galaxy classification: a deep learning approach for classifying Sloan Digital Sky Survey images
Starkindler: An Uncertainty Aware Objective for Photometric Redshift Estimation
CASSIS: A free interactive spectrum analyser
NeurIPS - Ariel Data Challenge 2025 - Derive exoplanet signals from Ariel's optical instruments
O problema gravitacional de N corpos - simulando galáxias
Nível do desafio: Iniciante, Médio e Avançado
O tema “Técnicas de Aprendizado de Máquina aplicadas a problemas de Ciências e Engenharia em geral” investiga como métodos modernos de IA — redes neurais profundas, aprendizado supervisionado e não supervisionado, técnicas de redução de dimensionalidade e modelos probabilísticos — podem ser utilizados para resolver desafios complexos em diversas áreas da engenharia e das ciências exatas. O foco está em modelagem, análise de dados, previsão, otimização e detecção de padrões, sempre conectando teoria com aplicações práticas em sistemas reais. O projeto é ideal para alunos de iniciação científica, mestrado ou doutorado interessados em desenvolver competências sólidas em inteligência artificial com impacto direto em problemas multidisciplinares de alto valor científico e tecnológico. .
Exemplos de referências iniciais:
Machine Learning and Wireless Communications - Yonina Eldar
Deep Learning para processamento de imagens
Curso de Machine learning aplicada em Python
Build a Large Language Model (From Scratch)
Machine learning aplicada em Python
A comprehensive review of object detection with traditional and deep learning methods
Reinforcement Learning: An Introduction
An API standard for reinforcement learning with a diverse collection of reference environments
Stanford CS234 Reinforcement Learning I Introduction to Reinforcement Learning
Stanford CS236: Deep Generative Models
Automatic modulation classification methods usando Deep Learning
Introdução às redes neurais para Físicos
Livro on-line: Neural Networks and Deep Learning
Independent Component Analysis A Tutorial Introduction
Nível do desafio: Iniciante, médio e avançado.
O tema “Problemas de Separação de Fontes” trata do desenvolvimento e da aplicação de métodos matemáticos e computacionais para recuperar sinais ou fontes originais a partir de observações misturadas, sem conhecimento prévio detalhado do processo de mistura. A área inclui a separação cega de fontes (Blind Source Separation – BSS), com destaque para técnicas como ICA (Independent Component Analysis), métodos baseados em estatística de alta ordem, informação mútua e modelos tempo-frequência. O projeto envolve fundamentos teóricos sólidos — estatística, álgebra linear e processamento de sinais — aliados a simulações e aplicações em problemas reais de engenharia e ciência, como comunicações, áudio, biomedicina e análise de dados multidimensionais, sendo adequado para alunos de iniciação científica, mestrado ou doutorado interessados em métodos avançados de análise e separação de sinais.
Exemplos de referências iniciais:
Handbook of Blind Source Separation
Trabalhos de Jean-Francois Cardoso
Separação de caos e ruído usando separação de fontes
Nível do desafio: Iniciante, médio e avançado.
A pesquisa em Computação Interativa e Visualização de Dados em Python explora como ferramentas de programação podem transformar dados complexos em representações visuais dinâmicas e intuitivas. A área combina fundamentos de processamento e análise de dados com bibliotecas modernas de visualização interativa, permitindo não apenas compreender grandes volumes de informação, mas também construir interfaces exploratórias que facilitam descobertas científicas e tomadas de decisão. Trata-se de um campo fértil para iniciação científica, mestrado e doutorado na Poli, pois conecta ciência de dados, engenharia e design computacional, com aplicações que vão desde telecomunicações e sistemas dinâmicos até astronomia e ciências sociais.
Exemplos de referências iniciais:
Nível do desafio: Iniciante
O tema “Modelagem e Simulação de Séries Temporais” aborda técnicas modernas para analisar dados que evoluem no tempo, incluindo métodos clássicos (AR, MA, ARMA, ARIMA), abordagens estocásticas, filtragem (Kalman, partículas) e modelos não lineares. O projeto combina fundamentos teóricos de processos estocásticos, previsão e identificação de modelos com experimentação computacional aplicada a problemas reais em engenharia, finanças, energia e ciência de dados. É uma excelente oportunidade para alunos interessados em IC, mestrado ou doutorado que desejam adquirir competências sólidas em estatística, simulação e previsão.
Exemplos de referências iniciais:
Livro de Holger Kantz e Thomas Schreiber - Nonlinear time series analysis
Curso do Kaggle sobre séries temporais.
Siimulation-based inference - palestra do Prof. Pedro L. C. Rodrigues
Nível do desafio: Iniciante e avançado.
O tema “Computação Científica e Física Matemática com Wolfram Language” explora o uso de ferramentas simbólicas e numéricas avançadas para resolver problemas complexos em análise, equações diferenciais, sistemas dinâmicos, física teórica e visualização científica. A Wolfram Language permite integrar cálculo simbólico, simulações, manipulação de dados e gráficos de alta qualidade em um único ambiente, facilitando a investigação de modelos matemáticos sofisticados e a prototipagem rápida de ideias. O projeto é ideal para estudantes de IC interessados em desenvolver habilidades computacionais profundas aplicadas à engenharia, física, matemática aplicada e métodos analíticos modernos.
Exemplos de referências iniciais:
Curso básico da Wolfram Language Online
Usando Wolfram Language para Física e Astrofísica
Sinais e Sistemas no Wolfram U
Nível do desafio: Iniciante.
Novos trabalhos aparecem em Engenharia Elétrica a todo momento. Este tema propõe que o aluno desenvolva projetos de pesquisa a partir da leitura e análise crítica de artigos recentes disponibilizados no arXiv, com foco na reprodução de resultados, implementação computacional e exploração de possíveis extensões. O objetivo é proporcionar contato direto com a pesquisa contemporânea e estimular a formulação de problemas e soluções originais em Engenharia Elétrica e Ciência de Sistemas.