Étude de la symbiose actinorhizienne chez l'aulne en présence de résidus miniers aurifères acidogènes

Les concentrations de métaux lourds retrouvées dans les sols augmentent considérablement depuis la révolution industrielle et s’accumulent quotidiennement dans la biosphère. Ces composés métalliques persisteront pendant plusieurs années au niveau des différents écosystèmes affectés et voyageront dans les chaînes alimentaires par bioaccumulation. Les activités humaines, telle que l’industrie minière contribuent activement à cette problématique environnementale. En effet, l’excavation minière perturbe la roche-mère et favorise l’oxydation des métaux lourds sulfurés qui, lentement, produiront de l’acide sulfurique. Cette acidification peut mobiliser les éléments métalliques stables en condition neutre ou alcaline. Ces phénomènes induisent la formation du drainage minier acide (DMA) qui peut contaminer les cours d’eau ou les nappes phréatiques à proximité. Plusieurs mines sont situées en Abitibi-Témiscamingue en raison de l’abondance de divers minerais dans la roche mère tels que l’or. Une importante quantité de déchets industriels est produite lors de l’excavation du minerai, dont les résidus miniers entreposés dans des bassins de rétention extérieurs. Ces bassins prennent de l’expansion quotidiennement autour du site minier substituant la place de la végétation saine et des territoires. Une mise en végétation des sites miniers du Québec est exigée depuis 1995 afin de redonner une apparence naturelle aux sites et limiter le phénomène d’érosion. Depuis 2013, un plan de réaménagement et de restauration des sites exploités est obligatoire selon la loi sur les mines. Ces bassins seront donc ciblés pour effectuer des essais de revégétalisation par l’entremise de plantes actinorhiziennes. Les plantes actinorhiziennes sont des végétaux robustes pouvant coloniser nombreux habitats perturbés et hostiles. L’aulne est une plante actinorhizienne pouvant établir une relation symbiotique avec l’actinobactérie fixatrice d’azote du genre Frankia. La symbiose actinorhizienne est une interaction équitablement profitable entre la plante et la bactérie. Cette symbiose repose sur la capacité de la bactérie à transformer, au niveau des nodules, l’azote atmosphérique en ammonium assimilable grâce à une enzyme spécifique, la nitrogénase. Lorsque la symbiose est bien établie, elle donnera un avantage significatif aux plantes pour leur développement et leur croissance, et ce, même dans un substrat pauvre en nutriments ou contaminé. En effet, la symbiose actinorhizienne permet d’améliorer la structure physicochimique d’un sol et de l’enrichir en azote grâce à la fixation de l’azote atmosphérique. Dans la région de l’Abitibi-Témiscamingue, la mine Doyon est une mine d’or qui détient des sols acidogènes contenant des traces non négligeables de métaux lourds. Ce projet de recherche en microbiologie environnementale avait comme objectif principal d’évaluer la capacité des aulnes rugueux et des aulnes crispés à coloniser des résidus miniers acidogènes aurifères (concentrations différentes de 0 %, 35 %, 65 % et 100 %) avec ou sans l’aide de Frankia. La dispersion des contaminants par les feuilles a aussi été étudiée afin d’évaluer le risque environnemental de l’utilisation des aulnes sur le terrain à des fins de revégétalisation. Les objectifs préliminaires avaient comme but d’évaluer la résistance, de manière individuelle, de la souche ACN10a du genre Frankia (par extrait aqueux) puis des espèces d’aulne aux résidus miniers non stérilisés. Par le fait même, la microflore des résidus miniers a été étudiée dans le but d’isoler des espèces symbiotiques d’endophytes écoadaptées aux conditions arides du site minier Doyon. Concernant les objectifs préliminaires, les résultats ont démontré que la souche ACN10a résiste bien jusqu’à 35 % d’extrait aqueux de résidus miniers de la mine Doyon. Pour les concentrations supérieures à 50 %, Frankia (souche ACN10a) a démontré une respiration cellulaire et des concentrations protéiques décroissantes en raison de la présence d’éléments toxiques biodisponibles dans l’extrait aqueux. Par ailleurs, les aulnes rugueux et crispés ont démontré une tolérance jusqu’à la concentration de 35 % de résidus miniers non stérilisés sans la présence de Frankia. Par la suite, les résultats d’isolement n’ont pas démontré la capacité des aulnes à recruter des bactéries symbiotiques à partir des résidus miniers de la mine Doyon. Concernant l’objectif principal, les résultats ont démontré que l’aulne rugueux résiste mieux que l’aulne crispé jusqu’aux concentrations de 35 % de résidus miniers lorsqu’inoculés en manifestant une meilleure biomasse sèche totale, une plus grande concentration de chlorophylle dans les feuilles et un plus grand nombre spécifique de nodules. L’établissement symbiotique a été affecté par la présence des résidus miniers acidogène révélant que le nombre de site d’infection racinaire diminuait en fonction des concentrations de résidus miniers croissantes (0 %, 35 %, 65 % et 100 %). Ensuite, une analyse des éléments chimiques des feuilles a démontré que le transfert des métaux lourds des résidus miniers vers les feuilles était minime. Les plantes révélant de hautes teneurs en métaux lourds dans leurs feuilles ont développé par le fait même, une faible biomasse aérienne limitant ainsi la dispersion de contaminants lors de la perte des feuilles à l’automne. Le modèle expérimental aulne-Frankia possédait un seuil de tolérance visible à la concentration de 35 % de résidus miniers acidogènes aurifères de la mine Doyon. De plus, la présence de la symbiose actinorhizienne a modulé la distribution de certains éléments chimiques dans les feuilles en comparaison avec les aulnes non-inoculés (molybdène, nickel). Puis, une similarité a été notée dans la composition chimique des feuilles d’aulnes inoculés s’étant développés dans 0 % (témoin positif) et 35 % de résidus miniers.

Análisis de la estrategia de política exterior del Desarrollo Pacífico china en la construcción de su identidad dentro del grupo BRICS (2003-2014)

El interés de esta monografía es interpretar la manera en la que un Estado tiene la capacidad para transformar su identidad y proyectarla satisfactoriamente hacia otros actores. En el caso de China, esto sucede gracias a su estrategia de política exterior conocida como Desarrollo Pacífico, la cual forma parte de su relación con los miembros del grupo BRICS y ha ayudado a consolidar una tendencia hacia la cooperación. Para poder realizar una buena interpretación de la construcción de identidad china dentro del foro internacional BRICS es primordial realizar un acercamiento teórico constructivista que permite un entendimiento del proceso histórico que le ha permitido a China configurar su identidad en el marco de los BRICS, a partir de un proceso constante de interacción e identificación.

Simulation of Malfunctions in a Wind System Powered by a DFIG

The paper is about the simulation of malfunctions in an onshore wind energy conversion system powered by a doubly fed induction generator with a two-level power converter, handling only the slip power. These malfunctions are analysed in order to be able to investigate the impact in the wind power system behaviour by comparison before, during and after the malfunctions. The malfunctions considered in the simulation includes are localized in the DC-link of the converter and in the phase change in rectifier.

Abstractive Long Document Summarization: Studio e Sperimentazione di Modelli Generativi Retrieval-Augmented

In questa tesi si trattano lo studio e la sperimentazione di un modello generativo retrieval-augmented, basato su Transformers, per il task di Abstractive Summarization su lunghe sentenze legali. La sintesi automatica del testo (Automatic Text Summarization) è diventata un task di Natural Language Processing (NLP) molto importante oggigiorno, visto il grandissimo numero di dati provenienti dal web e banche dati. Inoltre, essa permette di automatizzare un processo molto oneroso per gli esperti, specialmente nel settore legale, in cui i documenti sono lunghi e complicati, per cui difficili e dispendiosi da riassumere. I modelli allo stato dell’arte dell’Automatic Text Summarization sono basati su soluzioni di Deep Learning, in particolare sui Transformers, che rappresentano l’architettura più consolidata per task di NLP. Il modello proposto in questa tesi rappresenta una soluzione per la Long Document Summarization, ossia per generare riassunti di lunghe sequenze testuali. In particolare, l’architettura si basa sul modello RAG (Retrieval-Augmented Generation), recentemente introdotto dal team di ricerca Facebook AI per il task di Question Answering. L’obiettivo consiste nel modificare l’architettura RAG al fine di renderla adatta al task di Abstractive Long Document Summarization. In dettaglio, si vuole sfruttare e testare la memoria non parametrica del modello, con lo scopo di arricchire la rappresentazione del testo di input da riassumere. A tal fine, sono state sperimentate diverse configurazioni del modello su diverse tipologie di esperimenti e sono stati valutati i riassunti generati con diverse metriche automatiche.

Apprendimento non supervisionato di rappresentazioni e legami di similarità tra eventi menzionati nella letteratura biomedica

L'estrazione automatica degli eventi biomedici dalla letteratura scientifica ha catturato un forte interesse nel corso degli ultimi anni, dimostrandosi in grado di riconoscere interazioni complesse e semanticamente ricche espresse all'interno del testo. Purtroppo però, esistono davvero pochi lavori focalizzati sull'apprendimento di embedding o di metriche di similarità per i grafi evento. Questa lacuna lascia le relazioni biologiche scollegate, impedendo l'applicazione di tecniche di machine learning che potrebbero dare un importante contributo al progresso scientifico. Approfittando dei vantaggi delle recenti soluzioni di deep graph kernel e dei language model preaddestrati, proponiamo Deep Divergence Event Graph Kernels (DDEGK), un metodo non supervisionato e induttivo in grado di mappare gli eventi all'interno di uno spazio vettoriale, preservando le loro similarità semantiche e strutturali. Diversamente da molti altri sistemi, DDEGK lavora a livello di grafo e non richiede nè etichette e feature specifiche per un determinato task, nè corrispondenze note tra i nodi. A questo scopo, la nostra soluzione mette a confronto gli eventi con un piccolo gruppo di eventi prototipo, addestra delle reti di cross-graph attention per andare a individuare i legami di similarità tra le coppie di nodi (rafforzando l'interpretabilità), e impiega dei modelli basati su transformer per la codifica degli attributi continui. Sono stati fatti ampi esperimenti su dieci dataset biomedici. Mostriamo che le nostre rappresentazioni possono essere utilizzate in modo efficace in task quali la classificazione di grafi, clustering e visualizzazione e che, allo stesso tempo, sono in grado di semplificare il task di semantic textual similarity. Risultati empirici dimostrano che DDEGK supera significativamente gli altri modelli che attualmente detengono lo stato dell'arte.

Descriptive Text Mining in ambito medico: applicazione della metodologia POIROT

Poiché la nostra conoscenza collettiva continua ad essere digitalizzata e memorizzata, diventa più difficile trovare e scoprire ciò che stiamo cercando. Abbiamo bisogno di nuovi strumenti computazionali per aiutare a organizzare, rintracciare e comprendere queste vaste quantità di informazioni. I modelli di linguaggio sono potenti strumenti che possono essere impiegati per estrarre conoscenza statisticamente significativa ed interpretabile tramite apprendimento non supervisionato, testuali o nel codice sorgente. L’obiettivo di questa tesi è impiegare una metodologia di descriptive text mining, denominata POIROT, per analizzare i rapporti medici del dataset Adverse Drug Reaction (ADE). Si vogliono stabilire delle correlazioni significative che permettano di comprendere le ragioni per cui un determinato rapporto medico fornisca o meno informazioni relative a effetti collaterali dovuti all’assunzione di determinati farmaci.

End-to-end Deep Metric Learning con Vision-Language Model per il Fashion Image Captioning

L'image captioning è un task di machine learning che consiste nella generazione di una didascalia, o caption, che descriva le caratteristiche di un'immagine data in input. Questo può essere applicato, ad esempio, per descrivere in dettaglio i prodotti in vendita su un sito di e-commerce, migliorando l'accessibilità del sito web e permettendo un acquisto più consapevole ai clienti con difficoltà visive. La generazione di descrizioni accurate per gli articoli di moda online è importante non solo per migliorare le esperienze di acquisto dei clienti, ma anche per aumentare le vendite online. Oltre alla necessità di presentare correttamente gli attributi degli articoli, infatti, descrivere i propri prodotti con il giusto linguaggio può contribuire a catturare l'attenzione dei clienti. In questa tesi, ci poniamo l'obiettivo di sviluppare un sistema in grado di generare una caption che descriva in modo dettagliato l'immagine di un prodotto dell'industria della moda dato in input, sia esso un capo di vestiario o un qualche tipo di accessorio. A questo proposito, negli ultimi anni molti studi hanno proposto soluzioni basate su reti convoluzionali e LSTM. In questo progetto proponiamo invece un'architettura encoder-decoder, che utilizza il modello Vision Transformer per la codifica delle immagini e GPT-2 per la generazione dei testi. Studiamo inoltre come tecniche di deep metric learning applicate in end-to-end durante l'addestramento influenzino le metriche e la qualità delle caption generate dal nostro modello.

Data sensitivity detection in chat interactions for privacy protection

In recent years, there has been exponential growth in using virtual spaces, including dialogue systems, that handle personal information. The concept of personal privacy in the literature is discussed and controversial, whereas, in the technological field, it directly influences the degree of reliability perceived in the information system (privacy ‘as trust’). This work aims to protect the right to privacy on personal data (GDPR, 2018) and avoid the loss of sensitive content by exploring sensitive information detection (SID) task. It is grounded on the following research questions: (RQ1) What does sensitive data mean? How to define a personal sensitive information domain? (RQ2) How to create a state-of-the-art model for SID?(RQ3) How to evaluate the model? RQ1 theoretically investigates the concepts of privacy and the ontological state-of-the-art representation of personal information. The Data Privacy Vocabulary (DPV) is the taxonomic resource taken as an authoritative reference for the definition of the knowledge domain. Concerning RQ2, we investigate two approaches to classify sensitive data: the first - bottom-up - explores automatic learning methods based on transformer networks, the second - top-down - proposes logical-symbolic methods with the construction of privaframe, a knowledge graph of compositional frames representing personal data categories. Both approaches are tested. For the evaluation - RQ3 – we create SPeDaC, a sentence-level labeled resource. This can be used as a benchmark or training in the SID task, filling the gap of a shared resource in this field. If the approach based on artificial neural networks confirms the validity of the direction adopted in the most recent studies on SID, the logical-symbolic approach emerges as the preferred way for the classification of fine-grained personal data categories, thanks to the semantic-grounded tailor modeling it allows. At the same time, the results highlight the strong potential of hybrid architectures in solving automatic tasks.

Data driven regularization models of non-linear ill-posed inverse problems in imaging

Imaging technologies are widely used in application fields such as natural sciences, engineering, medicine, and life sciences. A broad class of imaging problems reduces to solve ill-posed inverse problems (IPs). Traditional strategies to solve these ill-posed IPs rely on variational regularization methods, which are based on minimization of suitable energies, and make use of knowledge about the image formation model (forward operator) and prior knowledge on the solution, but lack in incorporating knowledge directly from data. On the other hand, the more recent learned approaches can easily learn the intricate statistics of images depending on a large set of data, but do not have a systematic method for incorporating prior knowledge about the image formation model. The main purpose of this thesis is to discuss data-driven image reconstruction methods which combine the benefits of these two different reconstruction strategies for the solution of highly nonlinear ill-posed inverse problems. Mathematical formulation and numerical approaches for image IPs, including linear as well as strongly nonlinear problems are described. More specifically we address the Electrical impedance Tomography (EIT) reconstruction problem by unrolling the regularized Gauss-Newton method and integrating the regularization learned by a data-adaptive neural network. Furthermore we investigate the solution of non-linear ill-posed IPs introducing a deep-PnP framework that integrates the graph convolutional denoiser into the proximal Gauss-Newton method with a practical application to the EIT, a recently introduced promising imaging technique. Efficient algorithms are then applied to the solution of the limited electrods problem in EIT, combining compressive sensing techniques and deep learning strategies. Finally, a transformer-based neural network architecture is adapted to restore the noisy solution of the Computed Tomography problem recovered using the filtered back-projection method.

Characterization of a 3D-printed low-cost flexible dielectric material for the realization of innovative WPT wearable applications

The aim of this thesis is to demonstrate that 3D-printing technologies can be considered significantly attractive in the production of microwave devices and in the antenna design, with the intention of making them lightweight, cheaper, and easily integrable for the production of wireless, battery-free, and wearable devices for vital signals monitoring. In this work, a new 3D-printable, low-cost resin material, the Flexible80A, is proposed as RF substrate in the implementation of a rectifying antenna (rectenna) operating at 2.45 GHz for wireless power transfer. A careful and accurate electromagnetic characterization of the abovementioned material, revealing it to be a very lossy substrate, has paved the way for the investigation of innovative transmission line and antenna layouts, as well as etching techniques, possible thanks to the design freedom enabled by 3D-printing technologies with the aim of improving the wave propagation performance within lossy materials. This analysis is crucial in the design process of a patch antenna, meant to be successively connected to the rectifier. In fact, many different patch antenna layouts are explored varying the antenna dimensions, the substrate etchings shape and position, the feeding line technology, and the operating frequency. Before dealing with the rectification stage of the rectenna design, the hot and long-discussed topic of the equivalent receiving antenna circuit representation is addressed, providing an overview of the interpretation of different authors about the issue, and the position that has been adopted in this thesis. Furthermore, two rectenna designs are proposed and simulated with the aim of minimizing the dielectric losses. Finally, a prototype of a rectenna with the antenna conjugate matched to the rectifier, operating at 2.45 GHz, has been fabricated with adhesive copper on a substrate sample of Flexible80A and measured, in order to validate the simulated results.

Vocabulary Transfer and Knowledge Distillation for Language Model Compression

Natural Language Processing (NLP) has seen tremendous improvements over the last few years. Transformer architectures achieved impressive results in almost any NLP task, such as Text Classification, Machine Translation, and Language Generation. As time went by, transformers continued to improve thanks to larger corpora and bigger networks, reaching hundreds of billions of parameters. Training and deploying such large models has become prohibitively expensive, such that only big high tech companies can afford to train those models. Therefore, a lot of research has been dedicated to reducing a model’s size. In this thesis, we investigate the effects of Vocabulary Transfer and Knowledge Distillation for compressing large Language Models. The goal is to combine these two methodologies to further compress models without significant loss of performance. In particular, we designed different combination strategies and conducted a series of experiments on different vertical domains (medical, legal, news) and downstream tasks (Text Classification and Named Entity Recognition). Four different methods involving Vocabulary Transfer (VIPI) with and without a Masked Language Modelling (MLM) step and with and without Knowledge Distillation are compared against a baseline that assigns random vectors to new elements of the vocabulary. Results indicate that VIPI effectively transfers information of the original vocabulary and that MLM is beneficial. It is also noted that both vocabulary transfer and knowledge distillation are orthogonal to one another and may be applied jointly. The application of knowledge distillation first before subsequently applying vocabulary transfer is recommended. Finally, model performance due to vocabulary transfer does not always show a consistent trend as the vocabulary size is reduced. Hence, the choice of vocabulary size should be empirically selected by evaluation on the downstream task similar to hyperparameter tuning.

Modeling and Design of Phase Shifted Full Bridge Isolated DC-DC ZVS Converter with Peak Current Mode Control

Nowadays, there is a boom in the use of electrification. Electric vehicles are gaining interest worldwide due to various factors, including climate and environmental awareness. In this thesis, a step-down isolated power supply for electric tractors is investigated, specifically the phase-shifted full-bridge (PSFB) DC-DC with synchronous rectification and zero-voltage switching (ZVS). This converter was selected for its high-power capacity with high efficiency. A 3500 W PSFB converter with peak current control (PCCM) is designed and modeled in MATLAB. The input voltage range is from 550 V to 820 V and the output voltage range is limited to 9 V to 16 V with a maximum output current of 250 A. All components were commercially designed and selected, including magnetics for the high-frequency transformer and inductors, taking into account loss calculations. Zero voltage switching for the lagging leg is achieved at 13% to 100% load. The proven efficiency of the converter is around 90

Instrument transformers with Digital outputting high voltage power networks

In recent years, energy modernization has focused on smart engineering advancements. This entails designing complicated software and hardware for variable-voltage digital substations. A digital substation consists of electrical and auxiliary devices, control and monitoring devices, computers, and control software. Intelligent measurement systems use digital instrument transformers and IEC 61850-compliant information exchange protocols in digital substations. Digital instrument transformers used for real-time high-voltage measurements should combine advanced digital, measuring, information, and communication technologies. Digital instrument transformers should be cheap, small, light, and fire- and explosion-safe. These smaller and lighter transformers allow long-distance transmission of an optical signal that gauges direct or alternating current. Cost-prohibitive optical converters are a problem. To improve the tool's accuracy, amorphous alloys are used in the magnetic circuits and compensating feedback. Large-scale voltage converters can be made cheaper by using resistive, capacitive, or hybrid voltage dividers. In known electronic voltage transformers, the voltage divider output is generally on the low-voltage side, facilitating power supply organization. Combining current and voltage transformers reduces equipment size, installation, and maintenance costs. These two gadgets cost less together than individually. To increase commercial power metering accuracy, current and voltage converters should be included into digital instrument transformers so that simultaneous analogue-to-digital samples are obtained. Multichannel ADC microcircuits with synchronous conversion start allow natural parallel sample drawing. Digital instrument transformers are created adaptable to substation operating circumstances and environmental variables, especially ambient temperature. An embedded microprocessor auto-diagnoses and auto-calibrates the proposed digital instrument transformer.

Studio e sperimentazione di approcci neurali predittivi per il mercato azionario.

Il mercato azionario è sempre stato caso di studio, soprattutto per la sua complessità, e la difficolta di predirne il comportamento. I fattori in gioco sono davvero tanti, dalla politica ai problemi aziendali stessi. Pur sapendo che il mondo finanziario è un mondo complicato, permette però possibilità di guadagno elevate. Nel documento vengono descritti alcuni approcci utilizzati per eseguire delle predizioni, dai metodi più classici come la regressione, fino all'utilizzo di reti neurali. Vengono infatti descritti tre modelli che sfruttano le caratteristiche della LSTM, e un modello che sfrutta l'architettura Transformer, proposto recentemente,

Integrazione di reti neurali con approcci simbolici per problemi di ragionamento deduttivo in linguaggio naturale

Uno degli obiettivi più ambizioni e interessanti dell'informatica, specialmente nel campo dell'intelligenza artificiale, consiste nel raggiungere la capacità di far ragionare un computer in modo simile a come farebbe un essere umano. I più recenti successi nell'ambito delle reti neurali profonde, specialmente nel campo dell'elaborazione del testo in linguaggio naturale, hanno incentivato lo studio di nuove tecniche per affrontare tale problema, a cominciare dal ragionamento deduttivo, la forma più semplice e lineare di ragionamento logico. La domanda fondamentale alla base di questa tesi è infatti la seguente: in che modo una rete neurale basata sull'architettura Transformer può essere impiegata per avanzare lo stato dell'arte nell'ambito del ragionamento deduttivo in linguaggio naturale? Nella prima parte di questo lavoro presento uno studio approfondito di alcune tecnologie recenti che hanno affrontato questo problema con intuizioni vincenti. Da questa analisi emerge come particolarmente efficace l'integrazione delle reti neurali con tecniche simboliche più tradizionali. Nella seconda parte propongo un focus sull'architettura ProofWriter, che ha il pregio di essere relativamente semplice e intuitiva pur presentando prestazioni in linea con quelle dei concorrenti. Questo approfondimento mette in luce la capacità dei modelli T5, con il supporto del framework HuggingFace, di produrre più risposte alternative, tra cui è poi possibile cercare esternamente quella corretta. Nella terza e ultima parte fornisco un prototipo che mostra come si può impiegare tale tecnica per arricchire i sistemi tipo ProofWriter con approcci simbolici basati su nozioni linguistiche, conoscenze specifiche sul dominio applicativo o semplice buonsenso. Ciò che ne risulta è un significativo miglioramento dell'accuratezza rispetto al ProofWriter originale, ma soprattutto la dimostrazione che è possibile sfruttare tale capacità dei modelli T5 per migliorarne le prestazioni.