Raphael Y. de Camargo é Professor Associado da Universidade Federal do ABC (UFABC), no Centro de Matemática, Computação e Cognição. É doutor em Ciência da Computacão pelo IME/USP, mestre em Física pelo IF/USP e bacharel em Ciências Moleculares pela USP. É atualmente orientador permanente nos programas de Mestrado e Doutorado em Ciência da Computação e Neurociência e Cognição, da Universidade Federal do ABC. Tem experiência e atua nas áreas de: (1) Computação de alto-desempenho (GPGPU, computação heterogênea e escalonamento), (2) Aprendizado de Máquina (aplicações em computação de alto-desempenho, cidades inteligentes e neurociência), e (3) Neurociência computacional (modelos computacionais de memória e percepção de tempo, análise de conectividade e decodificação de sinais neurais). (Fonte: Currículo Lattes)
| Matéria(s) publicada(s) na Agência FAPESP sobre o(a) pesquisador(a) |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias (0 total): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |
O CIDADES está preocupado com um problema particular de muitos países, mas bastante contundente no Brasil e no Estado de São Paulo: a distribuição espacial da renda onde as populações mais vulneráveis moram na periferia das cidades distantes dos postos de trabalho, estudo e de uma série de atividades complementares que influenciam na sua formação. Essa preocupação se deve ao fato de que e…
A Universidade Federal do ABC (UFABC) é uma das novas universidades federais brasileiras, criada pela Lei 11.145, em 26 de julho de 2005. Por este motivo, o apoio de agências de fomento é de fato essencial para o desenvolvimento de pesquisa de em um nível de excelência. Na presente proposta, apresentamos um projeto para utilização da Parcela para Custos de Infraestrutura Institucional par…
Com o advento de diferentes classes de aceleradores, como as GPUs (Graphical Processing Units) e os Intel MICs (Many Integrated Cores), aglomerados heterogêneos, formados por diferentes tipos de aceleradores e processadores, se tornaram realidade. Estes aglomerados podem ser dedicados ou simplesmente um conjunto de estações de trabalho, distribuídas em diferentes laboratórios e que ficam …
Redes Neurais profundas vem obtendo sucesso em aplicações de Interfaces Cérebro-Máquina (BCIs), onde elas são utilizadas para decodificar imagens mentais a partir de sinais de Eletroencefalografia (EEG). Porém, cada modelo treinado funciona para um único indivíduo e requer grande quantidade de dados, o que é demorado e cansativo para coletar. Este problema é reduzido com a Transferência d…
O uso de Interfaces Cérebro-Máquina (BCIs) pode auxiliar indivíduos com restrições de movimentação a controlar dispositivos a partir do processamento de sinais elétricos capturados por eletrodos com, por exemplo, comandos para mover um cursor para cima/baixo ou direita/esquerda. O uso de redes neurais, especialmente as redes convolucionais, vem se mostrando promissor quando usamos as séri…
Atualmente, a computação de propósito geral em unidades de processamento gráfico (GPGPU) é amplamente aceita como um novo paradigma de computação de alto desempenho para a realização de simulações, como as de redes neuronais de larga escala. Neste trabalho, desenvolveremos um algoritmo para resolver conjuntos de sistemas lineares, representando grupos de neurônios, usando GPUs. Iremos inc…
Estamos interessados na análise matemática de técnicas de inferência usadas para estudar plasticidade sináptica em experiências de eletrofisiologia, e.g. no córtex auditivo de macacos in vivo. Em contraste, ao realizarmos simulações computacionais utilizando modelos biológicos de neurônios, passamos a ter não apenas acesso ao potencial de algumas células, mas de todos os parâmetros presen…
CV Lattes
ORCID