Machine learning enabled synchronized timing in GNSS-denied environments - QC-808 / Synchronisation par apprentissage machine dans des environnements dépourvus de GNSS - QC-808
Project type: ResearchDesired discipline(s): Engineering - computer / electrical, Engineering, Computer science, Mathematical Sciences
Company: Stathera Inc.
Project Length: Longer than 1 year
Preferred start date: 04/01/2025
Language requirement: English
Location(s): Montreal, QC, Canada
No. of positions: 1
Desired education level: PhD
Open to applicants registered at an institution outside of Canada: Yes
About the company:
Stathera is a fabless semiconductor company which designs and engineers microelectromechanical systems (MEMS) timing solutions. Stathera is transforming the $10B, 100-year-old quartz-based timing market to MEMS-based timing with our breakthrough innovation in MEMS timing technology.
Stathera est une société de semi-conducteurs sans usine qui conçoit et développe des solutions de synchronisation pour les systèmes microélectromécaniques (MEMS). Stathera transforme le marché centenaire du chronométrage à base de quartz de 10 milliards de dollars en chronométrage à base de MEMS grâce à son innovation révolutionnaire dans la technologie de chronométrage MEMS.
Describe the project.:
The project aims to apply machine learning toward improving holdover performance of timing devices. The proposed AI-based Solutions for Silicon Synchronization in Timing (ASSiST) technology addresses modern position, naviagtion and timing (PNT) challenges by utilizing artificial intelligence (AI) and an on-chip neural processing unit (NPU) to continuously correct long-term aging, frequency drift, and frequency offset in silicon timing devices. The aim of the project is to leverage data from integrated and environmental sensors and Global Navigation Satellite Systems (GNSS) feedback to train a model that dynamically adjusts calibration coefficients, reducing drift and power consumption over time. Importantly, as the model trains and optimizes, it progressively requires less reliance on the reference signal, thereby enhancing autonomy and reliability in GNSS-denied conditions. This robust, ML-driven timing device ensures high accuracy and reliability, and could be integrated into various systems including GNSS positioning systems, inertial/dead-reckoning systems and more broadly, telecommunications, autonomous vehicles, and critical infrastructure monitoring.
The main tasks to be performed by the candidate include:
1. (With Stathera Hardware team) Design Data Pipeline: Develop and implement a robust data pipeline using real-time streaming frameworks (e.g., Apache Kafka) to handle high-throughput sensor data and ensure low-latency processing for edge devices.
2. Neural Network Architecture: Define and implement a neural network capable of modeling frequency drift patterns based on environmental sensor inputs and user-defined aging mechanisms.
3. Training and Validation: Train the AI model on synthetic and chamber-collected datasets. Validate its accuracy by comparing predictions with data from GPS-disciplined rubidium atomic clock measurements.
4. Real-Time Optimization: Optimize the AI model for edge computing on low-power devices (e.g., microcontrollers) to enable real-time drift prediction and clock correction
Le projet vise à appliquer l’apprentissage machine à l’amélioration des performances des dispositifs de chronométrage. La technologie ASSiST (Solutions for Silicon Synchronization in Timing) proposée, basée sur l’IA, relève les défis modernes en matière de position, de navigation et de synchronisation (PNT) en utilisant l’intelligence artificielle (IA) et une unité de traitement neuronal (NPU) sur puce pour corriger en continu le vieillissement à long terme, la dérive de fréquence et le décalage de fréquence dans les dispositifs de synchronisation en silicium. L’objectif du projet est d’exploiter les données des capteurs intégrés et environnementaux ainsi que les informations fournies par le système mondial de navigation par satellite (GNSS) pour former un modèle qui ajuste dynamiquement les coefficients d’étalonnage, réduisant ainsi la dérive et la consommation d’énergie au fil du temps. Il est important de noter qu’au fur et à mesure que le modèle s’entraîne et s’optimise, il dépend de moins en moins du signal de référence, ce qui améliore l’autonomie et la fiabilité dans des conditions où le GNSS n’est pas disponible. Ce dispositif de synchronisation robuste, piloté par ML, garantit une précision et une fiabilité élevées et pourrait être intégré dans divers systèmes, notamment les systèmes de positionnement GNSS, les systèmes inertiels/dead-reckoning et, plus largement, les télécommunications, les véhicules autonomes et la surveillance des infrastructures critiques.
Les principales tâches que devra effectuer la personne retenue sont notamment :
1. (Avec l’équipe Stathera Hardware) Conception du pipeline de données : Développer et mettre en œuvre un pipeline de données robuste utilisant des cadres de streaming en temps réel (par exemple, Apache Kafka) pour traiter les données de capteurs à haut débit et garantir un traitement à faible latence pour les dispositifs périphériques.
2. Architecture des réseaux neuronaux : Définir et mettre en œuvre un réseau neuronal capable de modéliser des modèles de dérive de fréquence basés sur des entrées de capteurs environnementaux et des mécanismes de vieillissement définis par l’utilisateur.
3. Entraînement et validation : Entraîner le modèle d’IA sur des ensembles de données synthétiques et collectées en chambre. Valider sa précision en comparant les prédictions avec les données des mesures de l’horloge atomique au rubidium effectuées dans le cadre du GPS.
4. Optimisation en temps réel : Optimiser le modèle d’IA pour l’informatique périphérique sur des dispositifs à faible consommation (par exemple, des microcontrôleurs) afin de permettre la prédiction de la dérive et la correction de l’horloge en temps réel.
Required expertise/skills:
● Knowledge of machine learning frameworks (e.g., TensorFlow, PyTorch).
● Strong understanding of data preprocessing, feature engineering
● Experience with deploying machine learning models on low-power devices (e.g., microcontrollers or embedded systems).
● Connaissance des cadres d’apprentissage automatique (par exemple, TensorFlow, PyTorch).
● Forte compréhension du prétraitement des données, de l’ingénierie des fonctionnalités.
● Expérience du déploiement de modèles d’apprentissage automatique sur des dispositifs de faible puissance (par exemple, microcontrôleurs ou systèmes embarqués).
