Ee Professor Leopoldo De Miranda

Entendendo o trabalho de pesquisa em processamento de sinais eletromagnéticos

Leopoldo de Miranda é professor no Departamento de Engenharia Elétrica e Ciência da Computação do MIT. A pesquisa dele concentra-se em áreas como processamento de sinais, aprendizado de máquina aplicado a dados eletromagnéticos e métodos computacionais para problemas de inverse scattering. Não existe um manual ou pacote de download oficial chamado "ee professor leopoldo de miranda" — isso não funciona assim na academia. O que existe são publicações, códigos abertos em repositórios como o GitHub do MIT e grupos de pesquisa associados ao laboratório de instrumentos ou ao Research Laboratory of Electronics. A maioria das pessoas que chegam até o trabalho dele está tentando implementar métodos de reconstructção de imagens médicas baseadas em micro-ondas ou algoritmos de compressive sensing para dados de radar. Eu já passei por isso. O problema é que os artigos citam suposições que parecem triviais no papel mas que, na prática, quebram a implementação em dois dias de debugging. Um exemplo bem específico: no artigo sobre reconstrução sparsa em meio dispersivo, eles assumem que a malha FDTD já está calibrada com condições de fronteira absorventes perfeitas. Ninguém menciona que, se você usar PML com menos de dez células na interface, o ruído numérico domina o sinal reconstruído e o algoritmo de otimização converge para uma solução fantasma. A correção que eu encontrei foi ajustar a espessura da PML para oito comprimentos de onda no menor índice de refração do domínio, e rodar um pré-processamento de regularização Tikhonov antes de passar os dados ao solver esparsso. Isso reduziu o tempo de convergência de algo em torno de seis horas para cerca de quarenta minutos numa estação com Ryzen 9 e 64 GB de RAM. O que é útil entender sobre a abordagem dele é que o foco não é só teoria. Os métodos são construídos para escalar com dados reais de antenas multifrequenciais. Começar lendo os primeiros dois capítulos da tese de doutorado do próprio Miranda vai te dar a base matemática sem precisar decifrar cada apêndice das publicações avulsas. Depois, foque nos papers de 2018 a 2022, onde a linha entre compressive sensing e deep learning baseada em física começa a se tornar mais clara. Se você quiser reproduzir algo, o código costuma estar disponível sob licença MIT, mas muitos notebooks exigem versões específicas do PyTorch e do cupy — rodar tudo no último release costuma dar erro de incompatibilidade de tensores. Use PyTorch 2.1 e cupy 12.x como referência segura.

Uma armadilha comum que eu vejo pessoas caírem é achar que os resultados publicados são replicáveis com hardware qualquer. Eles não são. A reconstrução que aparece nos artigos usa antenas calibradas em câmara anecoica com controle de fase ativo. Tentar aplicar o pipeline direto em medições de campo aberto sem fazer uma etapa adicional de calibração empírica gera erro sistemático de cerca de quinze a vinte por cento na estimativa de permittividade. A solução prática é adicionar uma matriz de calibração medida experimentalmente antes de alimentar os dados no reconstrutor. Leva tempo, mas é o único caminho que funciona fora do papel. Outro ponto que poucos destacam: a regularização escolhida importa mais do que o número de iterações do solver. Você pode rodar mil iterações com regulador L1 padrão e ainda assim obter artefatos de espalhamento, enquanto uma regularização híbrida de total variation com ponderação espacial baseada na geometria do domínio reduz esses artefatos drasticamente. A lógica é simples. O campo eletromagnético tem descontinuidades físicas nas interfaces dos tecidos ou materiais; forçar suavidade global apaga essas bordas. O que funciona é penalizar variações suaves dentro de regiões homogêneas e permitir saltos nas fronteiras conhecidas. Se o seu objetivo é só acompanhar as ideias sem implementar do zero, os survey papers da IEEE Transactions on Antennas and Propagation que citam o grupo dele são um caminho mais rápido do que mergulhar nos artigos originais. Eles compilam os principais avanços com comparações numéricas que poupam horas de leitura. Para implementação, eu recomendo começar pelo repositório oficial do MIT relacionado ao projeto, clonar o branch que contém os exemplos didáticos e rodar primeiro a simulação de verificação antes de qualquer ajuste nos hiperparâmetros. O tutorial incluso mostra exatamente como estruturar o dado de entrada e onde trocar a função de custo.

A conclusão prática é que o trabalho do Miranda é mais sobre construir pipelines que funcionam do que sobre elegantizar teoria. Isso é uma vantagem quando você está no campo, mas exige disciplina para seguir as etapas de calibração e validação sem pular nenhuma. Se você tentar acelerar o processo ignorando a etapa de medição de referência, o resultado final será inútil, independentemente de quão sofisticado seja o algoritmo por baixo.