Radioamador classe A, profissional de infraestrutura de TI e entusiasta de radiofrequência, computação científica, sistemas distribuídos e inteligência artificial aplicada à análise de sinais.

Meu principal interesse está na interseção entre:

RF + SDR + DSP + Edge Computing + Machine Learning + Scientific Knowledge

Grande parte dos projetos que desenvolvo nasce de problemas reais encontrados em estações de radioamador, monitoramento de espectro, sinais fracos em VHF+ e infraestrutura distribuída.

Atualmente concentro boa parte do meu trabalho no desenvolvimento do AETHERIS, uma plataforma experimental para observação, processamento e análise científica de radiofrequência.

A ideia é construir uma arquitetura capaz de transformar grandes volumes de sinais e conhecimento técnico em dados reproduzíveis e utilizáveis por algoritmos de análise, Machine Learning e sistemas de descoberta.

O ecossistema está sendo desenvolvido de forma modular.

Pipeline de aquisição e processamento científico de sinais SDR.

Fluxo em evolução:

SDR / IQ RAW
      ↓
Scientific Acquisition
      ↓
DSP / FFT / Spectrum
      ↓
Event Detection
      ↓
Feature Extraction
      ↓
Scientific Dataset
      ↓
Machine Learning

Entre os trabalhos atuais estão:

• aquisição contínua de IQ;
• preservação de RAW com SHA-256 e proveniência;
• processamento FFT e espectral;
• detecção de eventos de RF;
• geração de produtos científicos;
• processamento batch de grandes conjuntos de IQ;
• criação de datasets Parquet/Apache Arrow;
• anomaly detection;
• classificação de sinais;
• preparação de datasets para XGBoost;
• futura análise por CNN e Transformers.

Plataforma para transformar grandes acervos técnicos em conhecimento científico pesquisável e relacionado semanticamente.

O projeto atualmente trabalha com coleções históricas de literatura técnica de radiofrequência, incluindo décadas de publicações sobre VHF/UHF/SHF, circuitos, antenas, propagação e técnicas experimentais.

Pipeline conceitual:

Documentos
   ↓
Aquisição científica
   ↓
Extração / OCR
   ↓
Classificação
   ↓
Embeddings
   ↓
RAG
   ↓
Knowledge Graph
   ↓
Scientific Discovery

Objetivos:

• RAG especializado em RF;
• embeddings científicos;
• classificação de páginas e documentos;
• recuperação semântica;
• análise de esquemas, gráficos e figuras técnicas;
• GraphRAG;
• criação de datasets supervisionados;
• descoberta automática de relações entre autores, técnicas, equipamentos e experimentos.

Camada experimental destinada à descoberta de estruturas que não foram explicitamente catalogadas nos documentos originais.

Algoritmos e técnicas sendo estudados:

• Leiden;
• Louvain;
• k-core;
• spectral clustering;
• HDBSCAN;
• análise de grafos;
• detecção de comunidades;
• GraphRAG.

Um dos objetivos é explorar décadas de literatura técnica e identificar comunidades de conhecimento, relações históricas e padrões tecnológicos emergentes.

Arquitetura distribuída para utilização de diferentes recursos computacionais dentro do ecossistema AETHERIS.

A proposta é permitir que tarefas científicas possam ser executadas no recurso mais adequado disponível:

AETHERIS Control Plane
        │
        ├── NETSDR
        ├── GPU AMD / Vulkan
        ├── NVIDIA CUDA
        ├── Jetson Orin
        ├── AI-LAB
        └── futuros compute nodes

O objetivo é desacoplar o processamento científico do hardware específico.

CPU, GPU, Jetson ou outros aceleradores passam a ser tratados como capabilities disponíveis na infraestrutura.

Uma das principais motivações técnicas dos meus estudos é a comunicação Earth-Moon-Earth (EME) e outros modos de sinais extremamente fracos em VHF+.

Tenho interesse especialmente em:

• 144 MHz EME;
• weak-signal detection;
• processamento digital de sinais;
• caracterização de ruído;
• análise espectral;
• correlação entre sinais e fenômenos ambientais;
• SDR aplicado a experimentação científica;
• Machine Learning para auxílio à detecção e classificação.

Meu objetivo de longo prazo é utilizar dados reais de RF para investigar técnicas modernas de processamento que complementem os métodos tradicionais de DSP.

Atualmente estudo e experimento abordagens de Machine Learning aplicadas a dados provenientes de SDR.

Entre elas:

• XGBoost para classificação baseada em features;
• anomaly detection;
• clustering;
• embeddings;
• CNN sobre espectrogramas;
• redes neurais sobre sinais IQ;
• classificação automática de modulações e eventos;
• correlação de RF com dados externos.

Possíveis fontes de correlação incluem:

• dados meteorológicos;
• propagação troposférica;
• atividade ionosférica;
• raios;
• posição solar e lunar;
• ADS-B;
• condições ambientais da estação.

Tenho especial interesse em processamento distribuído próximo à origem dos dados.

Experimentos atuais utilizam diferentes arquiteturas:

• NVIDIA Jetson Orin;
• GPUs NVIDIA;
• GPU AMD através de Vulkan Compute;
• servidores Linux;
• máquinas virtuais de laboratório;
• SDRs distribuídos em rede.

A ideia é permitir que aquisição, DSP, inferência e análise científica possam acontecer de forma distribuída sem depender exclusivamente de infraestrutura de nuvem.

Indicativo: PY5HC Grid Locator: GG54IM Brasil 🇧🇷

Áreas de maior interesse:

• VHF / UHF / SHF;
• EME;
• weak signal;
• SDR;
• propagação;
• experimentação técnica;
• radio direction finding;
• redes resilientes;
• Packet Radio / AX.25;
• automação de estações.

Minha atuação profissional em infraestrutura de TI também influencia vários dos projetos experimentais.

Tenho interesse em arquiteturas envolvendo:

• Linux;
• virtualização;
• redes;
• observabilidade;
• Zabbix;
• automação;
• SCADA;
• infraestrutura distribuída;
• edge computing;
• serviços resilientes;
• integração entre sistemas físicos e software.

Projeto experimental voltado à modernização de conceitos relacionados ao Packet Radio e AX.25.

Conceito de estação inteligente integrando SDR, automação, telemetria e processamento de sinais.

Experimentos de integração e automação entre softwares de controle de rádio e rastreamento orbital.

Aplicação de Zabbix, telemetria e conceitos de SCADA para monitoramento de repetidoras, estações remotas e infraestrutura crítica de rádio.

Procuro desenvolver os projetos seguindo alguns princípios:

• dados RAW devem permanecer imutáveis;
• resultados científicos devem possuir proveniência;
• processamento deve ser reproduzível;
• pipelines devem permitir replay;
• hardware deve ser desacoplado da lógica científica;
• sistemas devem crescer de forma incremental;
• testes automatizados devem proteger contratos;
• datasets devem permanecer reutilizáveis para futuras análises.

Sempre que possível, utilizo desenvolvimento orientado a testes e arquiteturas modulares.

Software Defined Radio
Digital Signal Processing
Scientific Computing
Machine Learning
Deep Learning
Weak Signal Processing
Earth-Moon-Earth
Scientific Knowledge Systems
RAG
Embeddings
Knowledge Graphs
GraphRAG
Community Detection
Edge Computing
Distributed Computing
Vulkan Compute
CUDA
Linux Infrastructure
Observability

📻 Amateur Radio: PY5HC ✉️ E-mail: py5hc@hotmail.com 🌎 Grid: GG54IM — Brasil 🇧🇷

“Conectando mundos onde não há estradas.”