آزمایشگاه‌های پژوهشی

آزمایشگاه یادگیری بازنمایی (Representation Learning) گروه کامپیوتر دانشگاه کردستان به توسعه روش‌های پیشرفته یادگیری ماشین برای استخراج ویژگی‌ها و بازنمایی‌های معنا‌دار، مقاوم و قابل تعمیم از داده‌ها می‌پردازد. پژوهش‌های ما شامل شبکه‌های عصبی عمیق، اتوانکودرها، فاکتورگیری ماتریسی، بازنمایی گراف و یادگیری چندوجهی است و هم روش‌های کلاسیک و هم پارادایم‌های نوظهور را بررسی می‌کنیم. هدف ما ارائه مدل‌هایی کارآمد، قابل تفسیر و مقیاس‌پذیر است که در تحلیل داده، پیش‌بینی و کاربردهای واقعی یادگیری ماشین به‌کار روند. آزمایشگاه با ترکیب مطالعات نظری، طراحی الگوریتم و آزمایش‌های تجربی تلاش دارد روش‌هایی ایجاد کند که هم درک عمیق داده‌ها و هم عملکرد عملی بالا را فراهم کنند. ما همچنین به بررسی پایداری و قابلیت تعمیم مدل‌ها در مواجهه با داده‌های پیچیده و متنوع توجه ویژه‌ای داریم.
 

گروه یادگیری ماشین جبری (Algebraic Machine Learning – AML)  بخشی از آزمایشگاه یادگیری بازنمایی در گروه مهندسی کامپیوتر دانشگاه کردستان است. یادگیری ماشین جبری یک چارچوب اصول‌مند است که با بهره‌گیری از مفاهیم جبری و نظریه مدل، داده‌ها و دانش پیشین را در قالب بازنمایی‌های ساخت‌یافته مدل‌سازی می‌کند. پژوهش‌های این گروه بر پایه‌ی جبر خطی، هندسه، مدل‌سازی احتمالاتی و یادگیری عمیق بنا شده‌اند و تمرکز ویژه‌ای بر فاکتورگیری ماتریسی و روش‌های یادگیری بازنمایی دارند.
محورهای اصلی پژوهشی گروه عبارت‌اند از:
•    یادگیری بازنمایی‌های فشرده، قابل تفسیر و کم‌بعد برای تحلیل و بصری‌سازی داده‌ها
•    بررسی مبادله‌ی میان پایداری (Robustness) و دقت از طریق مطالعات نظری و تجربی
•    طراحی الگوریتم‌ها برای داده‌های نویزدار، ناقص، کم‌نمونه و با برچسب‌گذاری ضعیف
•    بهره‌گیری از داده‌های چندوجهی و چندنما از منابع اطلاعاتی ناهمگون

https://amlteams.github.io
 

آزمایشگاه پژوهشی یادگیری ماشین گراف (Graph Machine Learning) در دانشگاه کردستان، خود را وقف پیشرفت در حوزه هوش مصنوعی از طریق تحقیقات نوآورانه بر روی داده‌های ساختاریافته گراف و تکنیک‌های یادگیری عمیق کرده است. تیم میان‌رشته‌ای ما بر توسعه الگوریتم‌ها و مدل‌های جدیدی تمرکز دارد که از روابط پیچیده ذاتی در داده‌های گراف برای حل مسائل دنیای واقعی در حوزه‌های مختلف مانند شبکه‌های اجتماعی، بیوانفورماتیک، سیستم‌های توصیه‌گر و موارد دیگر استفاده می‌کنند. ما که به تعالی در مبانی نظری و کاربردهای عملی متعهد هستیم، تلاش می‌کنیم با کاوش در روش‌های جدیدی که دقت، مقیاس‌پذیری و تفسیرپذیری را بهبود می‌بخشند، مرزهای یادگیری ماشین را گسترش دهیم.
 

https://gml.uok.ac.ir
 

آزمایشگاه هوش مصنوعی مولد و چندوجهی با هدف توسعه و پیشبرد پژوهش‌های نوین در حوزه هوش مصنوعی، بر یادگیری چندوجهی و مدل‌های مولد تمرکز دارد و به‌ویژه به مطالعه و توسعه مدل‌های زبانی بزرگ (LLM) و مدل‌های بینایی–زبانی (VLM) می‌پردازد. پژوهش‌های این آزمایشگاه به بررسی روش‌هایی می‌پردازد که سامانه‌های هوشمند بتوانند به‌صورت هم‌زمان متن و داده‌های بصری را درک، تولید و استدلال کنند و تعامل طبیعی‌تری میان انسان و ماشین فراهم آورند. این آزمایشگاه با توسعه معماری‌های نوین، راهبردهای آموزشی پیشرفته و چارچوب‌های ارزیابی برای مدل‌های پایه، به چالش‌های مهمی در حوزه‌هایی مانند استدلال چندوجهی، تولید محتوا، درک بصری و هوش مصنوعی انسان‌محور پاسخ می‌دهد. در راستای مأموریت علمی دانشگاه، آزمایشگاه متعهد به گسترش همکاری‌های میان‌رشته‌ای، تربیت دانشجویان و ارائه پژوهش‌های اثرگذار در جامعه علمی هوش مصنوعی است.
 

آزمایشگاه تحلیل شبکه‌های اجتماعی و زیستی (SBNA) با هدف توسعه و به‌کارگیری رویکردهای مبتنی بر تحلیل شبکه برای مطالعه و حل مسائل پیچیده در حوزه‌های اجتماعی، زیستی و پزشکی فعالیت می‌کند. تمرکز اصلی این آزمایشگاه بر مدل‌سازی روابط میان موجودیت‌ها و استخراج الگوهای پنهان از داده‌های پیچیده از طریق نظریه گراف، تحلیل شبکه و روش‌های داده‌محور است. محورهای پژوهشی SBNA شامل تحلیل شبکه‌های دو‌بخشی، تحلیل سری‌های زمانی مبتنی بر شبکه و کاربرد روش‌های پیشرفته شبکه‌ای در داده‌های واقعی اجتماعی و زیستی است. این آزمایشگاه علاوه بر تولید دانش نظری، بر پژوهش‌های کاربردی، انتشار مقالات علمی و همکاری‌های بین‌رشته‌ای در زمینه تحلیل شبکه و داده‌های پیچیده تمرکز دارد.
 

https://sbna.uok.ac.ir
 

آزمایشگاه پژوهشی سیستم¬های رایانشی توزیع شده  (Distributed Computing Systems) بر تحقیق و توسعه در زمینه طراحی، تحلیل و پیاده‌سازی سیستم¬های نرم‌افزاری توزیع‌شده، هوشمند و مقیاس‌پذیر تمرکز دارد. این آزمایشگاه با رویکردی پژوهش‌محور و مسئله‌محور، به مطالعه چالش‌های بنیادی و پیشرفته رایانش مدرن می‌پردازد؛ چالش‌هایی که در تقاطع مهندسی نرم‌افزار، سیستم¬های توزیع‌شده و بهینه‌سازی قرار دارند. چشم‌انداز DCS، ارائه راهکارهای نوآورانه و مبتنی بر مدل‌های دقیق است که بتوانند کارایی، پایداری و خودسازگاری سامانه‌ها را در محیط‌های ناهمگن و پویا تضمین کنند. فعالیت‌های پژوهشی این آزمایشگاه به‌ویژه بر استفاده از هوش مصنوعی و یادگیری ماشین در سیستم¬های رایانشی توزیع‌شده متمرکز است و از این روش‌ها برای تصمیم‌گیری هوشمند، پیش‌بینی و بهینه‌سازی عملکرد سیستم¬ها بهره می‌گیرد. بخش مهمی از تحقیقات در DCS به مدیریت منابع در زیرساخت‌های پیچیده و چندلایه اختصاص دارد، جایی که الگوریتم‌های بهینه‌سازی ترکیبیاتی نقش کلیدی در حل مسائل زمان‌بندی، استقرار سرویس و تخصیص منابع ایفا می‌کنند. این پژوهش‌ها در بستر معماری‌های نوین رایانش لبه/مه/ابر و همچنین رایانش بدون سرور انجام می‌شوند و تعامل آن‌ها با اینترنت اشیاء به‌عنوان یکی از محرک‌های اصلی سیستم¬های توزیع‌شده آینده مورد توجه ویژه قرار دارد.
تمرکزهای اصلی پژوهشی آزمایشگاه به‌طور خلاصه عبارت‌اند از:
•    رایانش لبه، مه و ابر و معماری‌های ترکیبی
•    رایانش بدون سرور و مدیریت توابع و سرویس‌ها
•    اینترنت اشیاء و یکپارچه‌سازی آن با زیرساخت‌های توزیع‌شده
•    مدیریت منابع و زمان‌بندی در زیرساخت‌های توزیع‌شده و ناهمگن
•    هوش مصنوعی و یادگیری ماشین در سیستم¬های رایانشی توزیع‌شده
•    الگوریتم‌های بهینه‌سازی ترکیبیاتی برای حل مسائل سیستم های نرم‌افزاری
 

آزمایشگاه پژوهشی سیستم‌های هوشمند (Intelligent Systems) به طراحی و توسعه سامانه‌های پیشرفته هوش مصنوعی برای فهم، تحلیل و پشتیبانی تصمیم‌گیری در سازمان‌ها و شبکه‌های پیچیده می‌پردازد. این گروه تحقیقاتی در چارچوب آزمایشگاه یادگیری بازنمایی فعالیت می‌کند و با ترکیب داده‌های پراکنده سازمانی، اسناد ساخت‌یافته و غیرساخت‌یافته و مدل‌سازی شبکه‌های چندلایه، تلاش می‌کند تصمیم‌گیری را از سطح داده‌های خام به دانش عملیاتی قابل اجرا تبدیل کند. هسته فعالیت ما شامل هوش تصمیم‌یار، سامانه‌های بازیابی و یکپارچه‌سازی دانش RAG و LLMs و تحلیل تاب‌آوری شبکه‌هاست که قابلیت کاربرد در محیط‌های صنعتی، سازمانی و زیرساختی را دارد. این آزمایشگاه بر توسعه ابزارهای پشتیبان تصمیم‌گیری با تعامل انسان–ماشین، طراحی دستیارهای هوشمند با پاسخ‌های مستند و قابل تبیین و تحلیل شبکه‌های پیچیده انرژی و منابع تمرکز دارد. محورهای پژوهشی ما شامل مدل‌سازی شبکه‌های چندلایه و ناهمگن، تحلیل گراف و شناسایی گره‌های بحرانی، الگوریتم‌های RAG، پیش‌بینی سری‌های زمانی و بهینه‌سازی تصمیم‌گیری در سطوح عملیاتی و استراتژیک است. فعالیت‌های آزمایشگاه هم در راستای تولید مقالات علمی معتبر و هم ارائه راهکارهای عملی برای صنعت، دولت و پروژه‌های سازمانی  طراحی شده‌اند.
محورهای پژوهشی کلیدی:
•  تجمیع و پردازش داده‌های پراکنده سازمانی و شبکه‌ای
•  توسعه سامانه‌های هوشمند RAG و دستیار مبتنی بر LLM برای پاسخ‌های مستند
•  مدل‌سازی شبکه‌های چندلایه و تحلیل تاب‌آوری سیستم‌های پیچیده
•  پیش‌بینی سری‌های زمانی و بهینه‌سازی تصمیمات عملیاتی
 

آزمایشگاه اینترنت اشیاء (Internet of Things) دانشگاه کردستان با هدف توسعه پژوهش، آموزش و نوآوری در یکی از تأثیرگذارترین پارادایم‌های فناوری اطلاعات معاصر فعالیت می‌کند. اینترنت اشیاء به‌عنوان بستری کلیدی برای پیاده‌سازی سامانه‌های هوشمند، نقش محوری در تحول زیرساخت‌های دیجیتال، صنعتی و شهری ایفا می‌کند. این آزمایشگاه در اردیبهشت‌ماه ۱۳۹۷ به سرپرستی دکتر سعدون عزیزی تأسیس شد و با فراهم‌سازی محیطی تخصصی، امکان انجام فعالیت‌های آموزشی، پژوهشی و تجربی را برای دانشجویان و پژوهشگران علاقه‌مند مهیا ساخته است. این آزمایشگاه با بهره‌گیری از تجهیزات سخت‌افزاری و زیرساخت‌های آزمایشگاهی متنوع، بستری مناسب برای طراحی، پیاده‌سازی و ارزیابی سامانه‌های مبتنی بر اینترنت اشیاء فراهم می‌آورد و تمرکز ویژه‌ای بر یکپارچه‌سازی IoT با فناوری‌هایی نظیر رایانش لبه/مه، رایانش ابری و تحلیل داده‌ها دارد. فعالیت‌های آزمایشگاه با رویکردی مسئله‌محور و کاربردی تعریف می‌شوند و تلاش می‌شود تا پیوند مؤثری میان مفاهیم نظری، توسعه سامانه‌های واقعی و نیازهای صنعتی برقرار گردد.
اهداف آزمایشگاه عبارت‌اند از:
•    برگزاری کارگاه‌ها و دوره‌های تخصصی در حوزه اینترنت اشیاء و فناوری‌های مرتبط
•    پرورش، هدایت و حمایت از ایده‌های خلاقانه و نوآورانه دانشجویی
•    اجرای پروژه‌ها و طرح‌های پژوهشی کاربردی و بنیادی
•    برگزاری سمینارها و نشست‌های تخصصی با حضور اساتید و پژوهشگران برجسته
•    تعریف و هدایت پروژه‌ها و پایان‌نامه‌های کارشناسی، کارشناسی ارشد و دکتری در حوزه‌های اینترنت اشیاء، رایانش لبه، رایانش ابری و کلان‌داده‌ها
امکانات آزمایشگاه:
•    انواع بردهای الکترونیکی و توسعه‌ای
•    مجموعه‌ای متنوع از حسگرها و محرک‌های پرکاربرد
•    تجهیزات ارتباطی با برد کوتاه و بلند
•    قطعات الکترونیکی پایه و تجهیزات جانبی موردنیاز برای پیاده‌سازی سامانه‌ها
زمینه‌های کاربردی و پژوهشی مورد توجه:
•    شهرهای هوشمند
•    سلامت هوشمند
•    کشاورزی هوشمند
•    خانه‌ها و ساختمان‌های هوشمند
•    پایش محیط‌زیست
•    شبکه‌های هوشمند انرژی