Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
PHYSICS OF DATA
Insegnamento
MANAGEMENT AND ANALYSIS OF PHYSICS DATASET (MOD. A)
SCP8082534, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
PHYSICS OF DATA
SC2443, ordinamento 2018/19, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese MANAGEMENT AND ANALYSIS OF PHYSICS DATASET (MOD. A)
Sito della struttura didattica http://physicsofdata.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Fisica e Astronomia "Galileo Galilei"
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile GIANMARIA COLLAZUOL FIS/01

Corso integrato di appartenenza
Codice Insegnamento Responsabile
SCP8082533 MANAGEMENT AND ANALYSIS OF PHYSICS DATASET (C.I.) DONATELLA LUCCHESI

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
INP9086805 PROGRAMMABLE HARDWARE DEVICES GIANMARIA COLLAZUOL IN2371
INP9086805 PROGRAMMABLE HARDWARE DEVICES GIANMARIA COLLAZUOL IN2371
INP9086805 PROGRAMMABLE HARDWARE DEVICES GIANMARIA COLLAZUOL IN2371

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Sperimentale applicativo FIS/01 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Annuale
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 30/09/2019
Fine attività didattiche 20/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2018

Syllabus

Caratteristiche comuni al Corso Integrato

Prerequisiti: Elementi di analisi e algebra.
Fisica generale.
Statistica.
Elementi di base di programmazione.
Conoscenze e abilita' da acquisire: Conoscenze di base su sistemi operativi Unix
Conoscenza del calcolo distribuito.
Conoscenza del management di grandi moli di dati su architetture distribuite.
Capacita' di costruire un cluster con hardware a disposizione.
Management di dati sul cluster distribuito.
Analisi dei dati su cluster distribuito.
Modalita' di esame: Sviluppo di un progetto asseganto a fine corso. Presentzione e discussione del progetto, domande sul materiale presentato a lezione.
Criteri di valutazione: Valutazione del progetto consegnato: accuratezza dello svolgimento,completezza e correttezza dell'eleborato, sintesi.
Valutazione dell'esposizione: sintesi, completezza, correttezza e accuratezza nella presentazione.
Valutazione delle risposte: correttezza, completezza e accuratezza.

Caratteristiche proprie del modulo

Contenuti: PART I - Electronics for real-time data management systems

1) Data Sources
- signal generation in sensors/detectors
- early (analog) data processing (amplificaton, filtering, ...)
- digitization (A/D, ADC, TDC, ...)
- timing, sync and control signals distribution systems

2) Data Transport
- Data Transport Architectures
- Physical layers for data streams
- Interconnections and buses

3) Real Time Data Processing
- Digital ports and logics
- Storage units - Memories
- Processing units - focusing on FPGA
- Parallel data streams

4) Real Time Data Filtering and System Control
- Trigger generation and distribution
- Transducers and System Control

PART II - Hands-on Laboratory of data management with FPGA

1) Introduction to FPGA and intro to the ARTY A7 board
2) FPGA Programming framework, Simulation and Test-Bench
3) Combinational Logic Circuits
4) Sequential Logic Circuits
5) Virtual Input Output and Integrated Logic Analyzer
6) Arithmetic Operations
- case study: DAC/ADC and FIR Filter
7) Finite State Machines
8) Memories
9) Buses and Protocols
- case study: SPI interface for accessing Flash memory
- case study: IPBUS - communication FPGA-PC via Ethernet interface

NOTE - Examples and Case studies will be chosen in various fields: from High Energy Physics to Astro-particle and Space Physics Systems on satellites; from Nuclear Imaging Medicine to Low-Latency Market Data Feed Processing; from Biomedical and Neuro Sciences to Gravitational Wave Physics.
Attivita' di apprendimento previste e metodologie di insegnamento: - Frontal Lecturing (50%) + Hands-on Laboratory (50%)
- Case studies, Problem based learning
Eventuali indicazioni sui materiali di studio: - Slides and lecture notes (provided via Moodle)
Testi di riferimento:
  • Mark Zwolinski, Digital System Design with VHDL. --: Prentice Hall, 2004. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Questioning
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Matlab
  • Vivado

Obiettivi Agenda 2030 per lo sviluppo sostenibile
Istruzione di qualita' Industria, innovazione e infrastrutture