Forschungsbereich

Unser Gehirn ist eine beeindruckende, ständig aktive Maschine mit geringem Stromverbrauch und einer bemerkenswerten Fähigkeit, Signale über verschiedene Zeitskalen hinweg robust zu integrieren und zu trennen. Meine Forschung konzentriert sich darauf, diese Mechanismen zu verstehen und zu nutzen, um bio-inspirierte neuromorphe Systeme für die Verarbeitung und Kombination von Signalen aus der realen Welt zu bauen und zu nutzen, um so praktische Herausforderungen durch Edge Devices zu lösen.

Akademische Laufbahn

Ich habe einen Abschluss in Theoretischer Physik von der Universität La Sapienza in Rom, wo ich mich auf die Dynamik komplexer Systeme spezialisiert habe. Zu Beginn meiner Forschungstätigkeit am Nationalen Institut für Kernphysik in Rom untersuchte ich die Rolle des Schlafs beim Lernen und bei der Kognition mit Hilfe von bioinspirierten neuronalen Spiking-Network-Modellen. Als Postdoc im Labor von Giacomo Indiveri am Institut für Neuroinformatik in Zürich arbeitete ich an der Nutzung von stromsparenden neuromorphen Mixed-Signal-Chips für «Always-on Edge»-Systeme. Derzeit bin ich Teil der Digital Society Initiative (DSI) an der Universität Zürich und konzentriere mich auf die Anwendung neuromorpher Technologien in der Präzisionslandwirtschaft zur Verbesserung und Optimierung der Agrarwirtschaft und Pflanzenüberwachung.

Projekte

Im Rahmen meines DSI Bridge Postdoc Fellowship führe ich mein Forschungsprojekt «Neuromorphic technologies for precision farming» durch. Der enorme Erfolg der Künstlichen Intelligenz (KI) bietet wichtige Lösungen für gesellschaftliche Herausforderungen in vielen Bereichen. Die moderne landwirtschaftliche Produktion beruht jedoch auf der Überwachung des Zustands der Umwelt durch kontinuierliche Beobachtung und Messung von Variablen über längere Zeiträume hinweg, oft an abgelegenen Orten. In dieser Hinsicht sind herkömmliche KI-Ansätze nicht immer ideal, da sie hohe Energiekosten verursachen und oft Zugang zu einem Netzwerk benötigen, um zu funktionieren. Neuromorphe Hardware bietet eine vielversprechende Lösung für diese Herausforderung, da sie eine energieeffiziente, immer verfügbare Sensorik und Datenverarbeitung ermöglicht, indem sie lokale, eigenständige sensorische Verarbeitungssysteme verwendet, die keine grossen Datenmengen an die Cloud übertragen müssen. In diesem Projekt schlagen wir vor, neuromorphe Rechentechnik in die Präzisionslandwirtschaft zu integrieren. Neuromorphe VLSI-Bausteine mit extrem niedrigem Stromverbrauch und gemischten Signalen werden für die sensorinterne Signalverarbeitung eingesetzt und ermöglichen lokale Operationen wie Rauschfilterung, Trendmessung, Ereigniserkennung und multimodale Klassifizierung. Ziel ist es, die an die zentrale Recheneinheit zu übertragenden Daten zu reduzieren und Möglichkeiten für neue Strategien und Anwendungen der Präzisionslandwirtschaft zu eröffnen, die mit herkömmlichen KI-Technologien derzeit nicht realisierbar sind.