Projetos e temas de pesquisa para alunos em 2026

Apresentamos aqui alguns temas de pesquisa propostos por orientadores do módulo de formação Pesquisa em Engenharia de Computação 2026. Esta lista não é exaustiva e será atualizada à medida que novas informações forem recebidas. Ela está organizada em ordem alfabética de nome dos orientadores (atualizado em 04/09/2025).

Anna Helena Reali Costa

Tema 1: Pesquisas em previsão espaço-temporal multivariável com aprendizado de máquina, explorando modelos avançados de redes neurais recorrentes, convolucionais, em grafos ou transformers, para prever fenômenos complexos que variam no tempo e no espaço, integrando múltiplas variáveis interdependentes.

Tema 2: Pesquisas em seleção de dados e poda de grandes modelos de linguagem (LLM) para tarefas de processamento natural de linguagem (NLP) visando identificar exemplos mais relevantes no treinamento e reduzir a complexidade dos modelos, melhorando eficiência e desempenho com menor custo computacional.

Artur Jordão Lima Correia

Grandes modelos de linguagem têm transformado a sociedade moderna e possibilitado diversos avanços tecnológicos. Apesar dos resultados sem precedentes, o alto custo computacional durante a fase de aprendizado desses modelos restringe os avanços a empresas e centros consolidados de grande porte, dificultando a adesão de instituições acadêmicas e grupos emergentes para acompanhar as novas tendências envolvendo essa família de modelos. Este projeto de pesquisa pretende elaborar técnicas eficientes para o treinamento e ajuste fino de grandes modelos.

Bruno de Carvalho Albertini

Oferecemos uma vaga para implementação de aceleradores de criptografia em FPGA, com foco em PQC (criptografia pós-quântica). O algoritmo não está definido mas temos tendência à algoritmos de assinatura baseados em códigos (CROSS e LESS, https://csrc.nist.gov/projects/pqc-dig-sig/round-2-additional-signatures). A orientação do pré-mestrado será pelo Prof. Bruno Albertini e o mestrado pelo mesmo ou pelo Prof. Thales Paiva, em ambos os casos com co-orientação pelo par. O aluno deve saber inglês para leitura e escrita, gostar e ter alguma experiência em descrição de hardware com Verilog/SystemVerilog incluindo testes, familiaridade com sistemas Linux e programação básica (C/C++ e Python), além de gostar de matemática discreta de inteiros. Consideramos pleitear bolsa a depender do desempenho do aluno.

Cíntia Borges Margi

Projeto: Plataforma IAsmin na linha de Segurança Cibernética, temas relacionados a (i) proteger as comunicações no nível de sensores, atuadores e gateways de IoT; (ii) identificar e mitigar situações de ataque contra redes de sensores. Projeto: Centro de inovação em redes 5G e inteligência artificial, temas ligados a (i) sensoriamento de dados ambientais através de protocolos de comunicação Wi-Fi e 5G; (ii) otimizações em protocolos de redes para comunicação M2M.

Edson Satoshi Gomi

Tema: Pesquisa sobre Sistemas de Diagnóstico de Eventos com o uso de Transformers Multimodais.

Fabio Gagliardi Cozman

1) Inferência causal com modelos de linguagem em Inteligência Artificial.

2) Avaliação automática de grandes modelos de linguagem.

Fátima de Lourdes dos Santos Nunes Marques

Descrição geral
Este projeto é composto por subprojetos referentes a diferentes técnicas computacionais e diferentes áreas de aplicação. Ambas (técnica e aplicação) serão definidas de acordo com o interesse do aluno. O objetivo é utilizar técnicas de processamento gráfico (processamento de imagens, computação gráfica, recuperação por conteúdo, realidade virtual) e/ou aprendizado de máquina visando a contribuir com diagnóstico, terapia e avaliação de procedimentos nas áreas de saúde, considerando as seguintes aplicações: autismo, reabilitação motora, doenças cardiológicas e uso de antibióticos. Subprojetos:
– Simuladores usando Realidade Virtual para procedimentos na área de saúde
– Interpretação de imagens e sinais para auxílio ao diagnóstico e tratamento do Transtorno do Espectro Autista
– Interface homem-máquina e avaliação de aprendizado em simuladores de Realidade Virtual na área de saúde;
– Jogos sérios para reabilitação;
– Descoberta de conhecimento e visualização de dados no uso indevido de antibióticos.

Perfil desejado
Candidatos com habilidades de programação interessados em trabalhar com processamento gráfico e/ou aprendizado de máquina.

Hae Yong Kim

Temas: as pesquisas envolverão Visão Computacional e Aprendizado de Máquina, nas áreas como: a) Diagnóstico de Câncer de Mama e Predição de Risco em Mamogramas com Multi-Incidência (em cooperação com Faculdade de Medicina da USP e University of Warwick, UK). b) Análise de padrões de domínios listrados e labirínticos em meios magnéticos (em cooperação com University of Virginia, EUA).

Higor Amario de Souza

Tema 1: Depuração automatizada de programas usando LLMs e dados de repositórios de código – O objetivo deste projeto é desenvolver uma técnica para localizar e corrigir defeitos em programas de forma automatizada usando LLMs e dados de repositórios de projetos de código (Mineração de Repositórios de Software).

Tema 2: Experimentos práticos com o uso de depuração automatizada – O objetivo deste projeto é avaliar como as técnicas de depuração automatizada são utilizadas em ambientes de desenvolvimento reais, através de experimentos usando projetos de software open source e experimentos com desenvolvedores.

João Batista Camargo Júnior

Tema 1 – Fusão Multissensorial para Detecção Robusta em Condições Climáticas Adversas
Resumo:
Apesar dos avanços obtidos na aplicação de YOLOv8 e GANs para simulação de neblina, a limitação do uso de apenas câmeras RGB ainda deixa o sistema vulnerável a perdas de desempenho sob visibilidade reduzida. Este novo trabalho propõe o desenvolvimento e avaliação de um sistema de percepção multissensorial para veículos autônomos, integrando dados de câmeras, LiDAR e radar para manter a acurácia de detecção de objetos em condições adversas como neblina, chuva e neve. A pesquisa investigará métodos de fusão em nível de dados (raw), nível de características (feature-level fusion) e nível de decisão (decision-level fusion), comparando o ganho de desempenho em relação a modelos baseados apenas em visão computacional. Além disso, serão exploradas técnicas de aprendizado multimodal e redes neurais adaptativas capazes de pesar dinamicamente a contribuição de cada sensor de acordo com as condições detectadas. A avaliação será conduzida em cenários simulados e datasets reais (BDD100K + KITTI + nuScenes), mensurando métricas como mAP, IoU e tempo de inferência. Este trabalho pretende contribuir para tornar a percepção de veículos autônomos mais resiliente e segura em qualquer clima.

Possíveis artigos:

“Multimodal Sensor Fusion for Robust Object Detection in Autonomous Vehicles under Adverse Weather Conditions”

“Dynamic Feature-Level Fusion of LiDAR, Radar, and RGB Cameras for Fog-Resilient Perception Systems”

“Adaptive Multisensor Perception for Safe Autonomous Driving in Low-Visibility Environments”

Tema 2 – Aprendizado Contínuo e Adaptação Online de Modelos de Visão em Veículos Autônomos
Resumo:
O trabalho original utilizou datasets estáticos para treinamento e avaliação, porém, na prática, veículos autônomos operam em ambientes dinâmicos, encontrando condições climáticas e de iluminação não vistas anteriormente. Este novo estudo propõe investigar técnicas de aprendizado contínuo (continual learning) e adaptação online para sistemas de percepção, de forma que modelos como o YOLOv8 possam se ajustar em tempo real a mudanças nas condições visuais, minimizando o impacto da neblina e outros fatores adversos. Serão exploradas estratégias como fine-tuning incremental, aprendizado por pseudo-rótulos, meta-learning e modelos de baixo esquecimento catastrófico. O sistema será testado em fluxos de vídeo simulando diferentes transições climáticas, e também em ambientes reais com injeção gradual de perturbações geradas por GANs. As métricas de avaliação incluirão a estabilidade do modelo ao longo do tempo, taxa de adaptação, mAP em cenários não vistos e custo computacional. O objetivo é criar um pipeline que permita ao veículo “aprender enquanto dirige”, tornando-se mais robusto a condições inesperadas e garantindo segurança contínua.

Possíveis artigos:

“Online Domain Adaptation for Object Detection in Autonomous Vehicles under Sudden Weather Changes”

“Continual Learning Strategies for Real-Time Perception in Autonomous Driving”

“Adapting On-the-Fly: Incremental Learning Approaches for Fog-Resilient Object Detection”

Marcos Antonio Simplicio Junior

Tema: qualquer tópico relacionado a cibersegurança e/ou criptografia. Temas de interesse especial no momento incluem: blockchain; segurança (ofensiva e defensiva) de sistemas de votação eletrônica; segurança (ofensiva e defensiva) de sistemas de inteligência artificial; criptografia pós-quântica.

Oswaldo Luiz do Valle Costa

Tema: Otimização de carteiras de investimento.

Paulo Sergio Cugnasca

Tema 1 – Investigação de Técnicas de Aprendizado por Reforço Seguro para Controle Veicular
Na área de segurança crítica (safety), é importante que o comportamento dos sistemas de engenharia seja suficientemente previsível para que não haja uma exposição de usuários e do ambiente a situações catastróficas. Com os avanços na área de veículos autônomos, pesquisas e projetos da área têm explorado a possibilidade de uso de técnicas de aprendizado de máquina para maximizar o desempenho do tráfego de veículos e mantê-lo contido dentro de limites comportamentais seguros.
Uma das técnicas empregadas com essa finalidade é a de “aprendizado por reforço seguro”, que utiliza outra modalidades de aprendizado de máquina (como aprendizado profundo – deep learning) para que o comportamento do agente inteligente seja mutável, mas contido dentro de uma área sabidamente “segura” para a aplicação alvo.
O objetivo desta pesquisa é aprofundar o estudo de técnicas de aprendizado por reforço seguro, utilizando como base fraquezas identificadas em pesquisas prévias para promover potenciais melhorias de segurança. Vislumbra-se que o trabalho seja dividido em duas etapas:
a) No Pré-Mestrado (2026), explorar melhorias dos problemas já identificados para um dos sistemas e analisar possíveis ganhos de segurança e desempenho;
b) No Mestrado (2027-), investigar possíveis novas melhorias do sistema prévio e outras variantes de aprendizado por reforço seguro.

Tema 2 – Investigação de Técnicas de Inteligência Artificial Generativa para Testes e Análises de Segurança
Na área de segurança crítica (safety), uma das possíveis abordagens para analisar se um elemento com IA é adequado para aplicações de segurança consiste na realização de testes de caixa-preta. Como a condução exaustiva desses testes tende a ser inviável, ferramentas de IA generativa são cogitadas como ferramentas viáveis para identificar possíveis cenários mais críticos para a garantia de segurança. Por outro lado, as ferramentas de IA generativa também não devem produzir cenários inseguros, tais como mascarar testes de situações inseguras.
O objetivo desta pesquisa é ir além de avanços reportados na literatura e promover a investigação de IA generativa para gerar cenários de teste para sistemas críticos em relação à segurança projetados com IA em até três estudos de caso distintos: “detecção de arritmias cardíacas”, “monitoramento de falhas de sistemas eletrônicos” e “controle de frenagem veicular”.
Vislumbra-se que o trabalho seja dividido em duas etapas:
a) No Pré-Mestrado (2026), explorar a geração automatizada de testes por IA generativa e os resultados em um dos três estudos de caso propostos;
b) No Mestrado (2027-), investigar possíveis novas melhorias do desenvolvimento do Pré-Mestrado e avançar nos demais estudos de caso.

Tema 3 – “Task-offloading” de baixo custo em veículos autônomos para melhoria da segurança
A ideia é investigar técnicas de “task-offloading” que permitam transferir o processamento intensivo para dispositivos de borda de forma eficiente e econômica. O objetivo é reduzir a sobrecarga computacional embarcada, aumentar a capacidade de resposta dos veículos autônomos e, consequentemente, melhorar a segurança operacional.
Vislumbra-se que o trabalho seja dividido em duas etapas:
a) No Pré-Mestrado (2026), explorar uma versão simplificada das técnicas de “task-offloading” voltadas à segurança de veículos autônomos;
b) No Mestrado (2027-), otimizar as de “task-offloading” voltadas à segurança de veículos autônomos aumentando a capacidade de resposta deles..

Pedro Luiz Pizzigatti Corrêa

Tema: Big Data aplicado à Gestão de Dados sobre Carbono Aplicado ao Projeto Temático FAPESP “AmazonFACE”. Projeto desenvolvido em colaboração com o INPA (Manaus – AM) e UNICAMP. Trata-se da aplicação de técnicas de LLM para automação de processos de curadoria de Datasets para geração de Produtos de Dados sobre Carbono, coletados em 6 Plots situados em Unidade de Conservação do INPA em Manaus (AM) – https://amazonface.unicamp.br/