<html xmlns:v="urn:schemas-microsoft-com:vml" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:w="urn:schemas-microsoft-com:office:word" xmlns:m="http://schemas.microsoft.com/office/2004/12/omml" xmlns="http://www.w3.org/TR/REC-html40"><head><meta http-equiv=Content-Type content="text/html; charset=iso-8859-7"><meta name=Generator content="Microsoft Word 14 (filtered medium)"><style><!--
/* Font Definitions */
@font-face
{font-family:Calibri;
panose-1:2 15 5 2 2 2 4 3 2 4;}
/* Style Definitions */
p.MsoNormal, li.MsoNormal, div.MsoNormal
{margin:0cm;
margin-bottom:.0001pt;
font-size:11.0pt;
font-family:"Calibri","sans-serif";
mso-fareast-language:EN-US;}
a:link, span.MsoHyperlink
{mso-style-priority:99;
color:blue;
text-decoration:underline;}
a:visited, span.MsoHyperlinkFollowed
{mso-style-priority:99;
color:purple;
text-decoration:underline;}
span.EmailStyle17
{mso-style-type:personal-compose;
font-family:"Calibri","sans-serif";
font-variant:normal !important;
color:black;
text-transform:none;
text-decoration:none none;
vertical-align:baseline;}
.MsoChpDefault
{mso-style-type:export-only;
font-family:"Calibri","sans-serif";
mso-fareast-language:EN-US;}
@page WordSection1
{size:612.0pt 792.0pt;
margin:72.0pt 90.0pt 72.0pt 90.0pt;}
div.WordSection1
{page:WordSection1;}
--></style><!--[if gte mso 9]><xml>
<o:shapedefaults v:ext="edit" spidmax="1026" />
</xml><![endif]--><!--[if gte mso 9]><xml>
<o:shapelayout v:ext="edit">
<o:idmap v:ext="edit" data="1" />
</o:shapelayout></xml><![endif]--></head><body lang=EL link=blue vlink=purple><div class=WordSection1><p class=MsoNormal><span style='color:black'>Καλησπέρα σας,<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Αφορά σε μια πολύ ενδιαφέρουσα ομιλία προς τους φοιτητές της ΣΗΜΜΥ τη Δευτέρα, από τον Ι. Μπάρα, </span><span lang=EN-US style='color:black'>University</span><span lang=EN-US style='color:black'> </span><span lang=EN-US style='color:black'>of</span><span lang=EN-US style='color:black'> </span><span lang=EN-US style='color:black'>Maryland</span><span style='color:black'>:<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>---------------------------------------------------------------------------------------------------------------------------------------------------------------<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Ομιλία Ιωάννη Μπάρα, "Νευρομορφική Τεχνητή Νοημοσύνη: Από Μαθηματικά Θεμέλια της Βαθιάς Μάθησης στο «Εγκεφαλικό Φλοιό πάνω σε Τσίπ», Δευτέρα 4/6 και ώρα 17:00 στο ΑΜΦ1.<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Ο καθηγητής στο Πανεπιστήμιο του Maryland και παλαιός απόφοιτος της ΣΗΜΜΥ, στο πλαίσιο της αναγόρευσής του σε επίτιμο διδάκτορα του ΕΜΠ την ερχόμενη Τρίτη 5/6, <o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>θα δώσει ομιλία στους φοιτητές στη Σχολή μας την Δευτέρα 4/6 και ώρα 17:00 στο ΑΜΦ1 στα Νέα κτήρια Ηλεκτρόγων, αμέσως μετά το μάθημα των Λειτουργικών Συστημάτων.<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Η ομιλία συνδυάζει τις σύγχρονες μη παραδοσιακές αρχιτεκτονικές για προηγμένη μηχανική μάθηση προσομοιώνοντας τη λειτουργία του εγκεφάλου (Cortex-on-a-Chip).<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Με εκτίμηση,<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Άρης Κοζύρης<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>Κοσμήτορας ΣΗΜΜΥ<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Τίτλος:<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Νευρομορφική Τεχνητή Νοημοσύνη: Από Μαθηματικά Θεμέλια της Βαθιάς Μάθησης στο<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>«Εγκεφαλικό Φλοιό πάνω σε Τσίπ»<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>Neuromorphic Artificial Intelligence: From Mathematical Foundations of Deep Learning to<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>“Cortex-on-a-Chip”<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Περίληψη<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Η βαθιά εκμάθηση και η τεχνητή νοημοσύνη έχουν προσελκύσει τεράστια προσοχή πρόσφατα. Ο<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>συναγωνισμός για τον σχεδιασμό και την κατασκευή υπολογιστών τύπου «εγκεφάλου» είναι σε<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>εξέλιξη και αρκετές εταιρείες έχουν παραγάγει διάφορα τέτοια ηλεκτρονικά τσίπς. Ωστόσο, η<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>τρέχουσα κατάσταση των πραγμάτων είναι πολύ ανεπαρκής και αυθέραιτη. Περιγράφουμε ένα<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>μαθηματικό πλαίσιο που αναπτύξαμε που παρέχει μια ιεραρχική αρχιτεκτονική για μάθηση και<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>γνώση. Η αρχιτεκτονική συνδυάζει έναν προεπεξεργαστή κυματιδίων, έναν εξαγωγέα<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>χαρακτηριστικών που είναι αμετάβλητα σε ομάδα μετασχηματισμών και έναν ιεραρχικό (με<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>στρώσεις) αλγόριθμο μάθησης. Υπάρχουν δύο βρόχοι ανάδρασης, από την έξοδο εκμάθησης στον<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>εξαγωγέα χαρακτηριστικών και άλλος ένας πίσω στον προεπεξεργαστή κυματιδίων. Δείχνουμε<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>ότι το σχήμα μπορεί να ενσωματώσει όλες τις τυπικές μετρικές διαφορές, αλλά και μη μετρικά<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>μέτρα ανομοιότητας όπως οι αποκλίσεις Bregman. Η ενότητα μάθησης ενσωματώνει δύο<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>καθολικούς αλγορίθμους μάθησης στην ιεραρχική δέντρο-δομημένη μορφή τους, και οι δύο από<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>τον Kohonen, Learning Vector Quantization (LVQ) για επιβλεπόμενη μάθηση και Self-<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>Organizing Map (SOM) για μή επιβλεπόμενη μάθηση. Επιδεικνύουμε την ανώτερη απόδοση των<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>αλγορίθμων και της αρχιτεκτονικής που προκύπτουν σε μια ποικιλία πρακτικών προβλημάτων,<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>όπως: αναγνώριση ομιλητή και ήχου, ταυτόχρονη αναγνώριση της κατεύθυνσης του ήχου και<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>ταυτότητες ομιλητή και φωνήεντος, αναγνώριση προσώπου. Επιδεικνύουμε πώς αυτές οι<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>μαθηματικές βάσεις μπορούν να χρησιμοποιηθούν για την παροχή συστηματικών μοντέλων<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>σχεδιασμού, ανάλυσης και αξιολόγησης βαθιών νευρωνικών δικτύων. Περιγράφουμε τρέχουσα<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>εργασία και σχέδια για ηλεκτρονικές υλοποιήσεις μικτού σήματος (ψηφιακές και αναλογικές) που<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>μιμούνται αρχιτεκτονικά μοντέλα του εγκεφαλικού φλοιού των ζώων υψηλού επιπέδου και<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>ανθρώπων, για την αντίληψη καί γνώση ήχου και όρασης. Η προκύπτουσα αρχιτεκτονική είναι μη<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>von Neumann (δηλ. υπολογιστής και μνήμη δεν διαχωρίζονται στο ηλεκτρονικό υλικό) και<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'>νευρομορφική. Ονομάζουμε την κλάση τσίπ που προκύπτει «Εγκεφαλικός Φλοιός πάνω σε Τσίπ».<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>Neuromorphic Artificial Intelligence: From Mathematical Foundations of Deep Learning to<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>“Cortex-on-a-Chip”<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>Abstract<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>Deep Learning and Artificial Intelligence have attracted enormous attention recently. The race to<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>design and manufacture “brain-like” computers is on and several companies have produced<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>various such chips. Yet, the current state of affairs is very unsatisfactory and ad hoc. We describe<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>a mathematical framework we have developed that provides a hierarchical architecture for learning<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>and cognition. The architecture combines a wavelet preprocessor, a group invariant feature<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>extractor and a hierarchical (layered) learning algorithm. There are two feedback loops, one back<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>from the learning output to the feature extractor and one all the way back to the wavelet<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>preprocessor. We show that the scheme can incorporate all typical metric differences but also nonmetric<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>dissimilarity measures like Bregman divergences. The learning module incorporates two<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>universal learning algorithms in their hierarchical tree-structured form, both due to Kohonen,<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>Learning Vector Quantization (LVQ) for supervised learning and Self-Organizing Map (SOM) for<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>unsupervised learning. We demonstrate the superior performance of the resulting algorithms and<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>architecture on a variety of practical problems including: speaker and sound identification,<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>simultaneous determination of sound direction of arrival speaker and vowel ID, face recognition.<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>We demonstrate how the underlying mathematics can be used to provide systematic models for<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>design, analysis and evaluation of deep neural networks. We describe current work and plans on<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>mixed signal (digital and analog) micro-electronic implementations that mimic architectural<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>abstractions of the cortex of higher-level animals and humans, for sound and vision perception and<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>cognition. The resulting architecture is non-von Neumann (i.e. computing and memory are not<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>separated in the hardware) and neuromorphic. We call the resulting chip class “Cortex-on-a-Chip”.<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>ΙΩΑΝΝΗΣ ΜΠΑΡΑΣ (Σύντομο Βιογραφικό, Οκτώβριος 2017)<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Ο Γιάννης Μπάρας έλαβε το δίπλωμα Μηχανολόγου – Ηλεκτρολόγου Μηχανικού από την ενιαία Σχολή Μηχανολόγων – Ηλεκτρολόγων του Ε.Μ.Π. το 1970. Στη διάρκεια των προπτυχιακών του σπουδών έγινε ιδιαίτερα γνωστός με το βοηθητικό σύγγραμμά του σε Ηλεκτρομαγνητισμό και Ασύρματες Τηλεπικοινωνίες, χάρις στο οποίο γενιές παλαιοτέρων συναδέλφων μυήθηκαν στο πεδίο αυτό.<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Μετά την αποφοίτησή του συνέχισε μεταπτυχιακές σπουδές στο Harvard σε Εφαρμοσμένα Μαθηματικά. Έλαβε το Master of Science το 1971 και το Ph.D. το 1973, δύο χρόνια μετά. Έκτοτε ξεκίνησε μια ιδιαίτερα διακεκριμένη πορεία στις ΗΠΑ με κύρια απασχόληση σαν Καθηγητής στο Τμήμα Ηλεκτρολόγων Μηχ. & Μηχ. Υπολογιστών στο University of Maryland από το 1973 μέχρι σήμερα. Από</span><span style='color:black'> </span><span style='color:black'>το</span><span lang=EN-US style='color:black'> 1990 </span><span style='color:black'>κατέχει</span><span style='color:black'> </span><span style='color:black'>την</span><span style='color:black'> </span><span style='color:black'>έδρα</span><span lang=EN-US style='color:black'> Lockheed Martin in Systems Engineering.<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Το 1985 ήταν κινητήριος μοχλός για την ίδρυση του ISR (institute for Systems Research) με έδρα το Πανεπιστήμιο του Maryland. Το ISR ήταν ένα από τα 6 προηγμένα Ερευνητικά Ινστιτούτα που ιδρύθηκαν τότε στις ΗΠΑ με κύρια χρηματοδότηση από την NSF (National Science Foundation). Ο Γιάννης Μπάρας υπήρξε Διευθυντής του ISR από την ίδρυσή του μέχρι το 1995. Το</span><span lang=EN-US style='color:black'> 1992 </span><span style='color:black'>ίδρυσε</span><span style='color:black'> </span><span style='color:black'>το</span><span lang=EN-US style='color:black'> Center for Hybrid and Satellite Communication Networks </span><span style='color:black'>με</span><span style='color:black'> </span><span style='color:black'>κύριο</span><span style='color:black'> </span><span style='color:black'>χρηματοδότη</span><span style='color:black'> </span><span style='color:black'>τη</span><span lang=EN-US style='color:black'> NASA. </span><span style='color:black'>Έχει επιβλέψει περισσότερα από πενήντα διδακτορικά και έχει πάνω από πεντακόσιες επιστημονικές δημοσιεύσεις με πληθώρα διακρίσεων. Έχει κατοχυρώσει έντεκα πατέντες, από τις οποίες δυο έλαβαν τη διάκριση Invention of the Year του Πανεπιστημίου του Maryland. Ο Δρ. Μπάρας είναι Fellow της IEEE, του SIAM και της AAAS. Το</span><span lang=EN-US style='color:black'> 2006 </span><span style='color:black'>εκλέχθηκε</span><span lang=EN-US style='color:black'> Foreign Member </span><span style='color:black'>της</span><span lang=EN-US style='color:black'> Royal Swedish Academy of Engineering Sciences.<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>Ανάμεσα στις πρόσφατες διακρίσεις που έχει λάβει, περιλαμβάνονται:<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? IEEE Simon Ramo Medal (for exceptional contributions to the conception and commercialization of internet-over-satellite systems, and for leadership in model-based engineering, systems science, and engineering research), 2016<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? Fellow, International Federation for Automatic Control - IFAC (for contributions to the theory and applications of stochastic systems and control and communication networks and for leadership in cross-disciplinary research and education), 2016<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? James Clark School of Engineering Innovation Hall of Fame, University of Maryland (for his outstanding contributions to Internet over satellite technology and hybrid networks, which has enabled broadband Internet services over interoperable satellite and terrestrial networks), 2016<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? Fellow, National Academy of Inventors - NAI & Fellow, American Association for the Advancement of Science - AAAS (for distinguished contributions to the fields of systems and control, communication networks, network security, and leadership in establishing outstanding cross disciplinary research and education programs), 2014<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? Hans Fischer Senior Fellowship, Institute for Advanced Study of the Technical University of Munich - TUM, Munich, Germany, 2014-2017<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? SIAM Fellow (for contributions to systems theory, stochastic control and communication networks), 2014<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? IEEE Life Fellow, 2013<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? Outstanding Invention of the Year Award, University of Maryland (for the invention of “Method and Implementation for Key Generation and Replacement using Markov Models), 2008<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'>? Foreign Member of the Royal Swedish Academy of Engineering Sciences, 2006<o:p></o:p></span></p><p class=MsoNormal><span lang=EN-US style='color:black'><o:p> </o:p></span></p><p class=MsoNormal><span style='color:black'>O καθηγητής Μπάρας έθετε και θέτει αφιλοκερδώς τη μεγάλη γνώση και μακρόχρονη διεθνή εμπειρία του στη διάθεση του Ε.Μ.Π. Εκτός από τις συχνές επισκέψεις του στη ΣΗΜΜΥ και τα Εργαστήρια μας, έχει προσελκύσει στο University of Maryland – ISR πλειάδα Υποψηφίων Διδακτόρων μας καθώς και Μεταδιδακτορικών συνεργατών μας με στόχο την εξοικείωσή τους σε ερευνητικές πρωτοβουλίες στο πλαίσιο ενός δυναμικού και φιλόξενου Ακαδημαϊκού περιβάλλοντος. Στόχος η σύσφιξη των σχέσεών του με τη ΣΗΜΜΥ του Ε.Μ.Π. και η ολοκλήρωση της εμπειρίας των συνεργατών μας εκτός συνόρων, σε ένα παγκόσμιο κέντρο αριστείας που έχει δημιουργήσει.<o:p></o:p></span></p><p class=MsoNormal><span style='color:black'><o:p> </o:p></span></p></div></body></html>