English

Suomi

tulokset

Silmäile

Julkaisuarkisto

UTUPub on Turun yliopiston avoin julkaisuarkisto, joka sisältää Turun yliopiston tiedekuntien ja laitosten julkaisuja ja opinnäytteitä kuten väitöskirjoja, lisensiaatintöitä, pro gradu -tutkielmia ja niiden tiivistelmiä sekä kandidaatintöitä.

Kokoelmat

Näytetään 1 - 4 / 4

Kirjat ja opinnäytteet

UTUCRIS-artikkelit

Digitoidut aineistot

Viimeksi lisätyt

Engineering the bottom electrode to enhance functionality in GCMO memristors
Afrin, Poroma (2026-06-18)
Pro gradu -tutkielma
The development of the history of society via complementary metal-oxide-semiconductor (CMOS) transistor scaling under Moore's Law is currently attaining a conclusive high point due to significant physical and economic limitations. Quantum tunnelling makes it difficult to scale down devices because it leads to power loss and overheating. Rising manufacturing and cooling costs threaten long-term computing growth. The Von Neumann architecture has kept processors and memory apart since 1945. This has made modular design possible, but it has also caused the Von Neumann bottleneck, which is a slow, high-power-consuming data transfer. This limit makes modern workloads worse, and people are more interested in brain-inspired artificial neural networks because of it. Even with improvements like graphics processing units (GPUs) and tensor processing units (TPUs), traditional CMOS systems still have problems with scaling and energy use because of the Von Neumann bottleneck. Neuromorphic computing solves this problem by combining memory and processing, which makes brain-like computation possible. Memristors are strong candidates for neuromorphic computing as they emulate neurons and synapses through history-dependent conductance changes. They also provide fast switching, low power consumption, and high reliability, making them suitable for next-generation memory. In this thesis, I have studied the fabrication process of Gd₀.₂Ca₀.₈MnO₃ (GCMO) with different buffer layers such as Nb-doped STO (Nb:STO) and SrRuO₃ (SRO) between SrTiO₃ (STO) substrate and GCMO. Additionally, Nb-doped STO (Nb:STO) has been utilised as a substrate (no buffer layer) in one sample and another sample with STO (no buffer layer). The fabrication methods that were used in this thesis were pulsed laser deposition (PLD), photolithography with etching, and electron beam evaporation (E-beam). Four samples were fabricated using these methods. The structural characterisation of the fabricated sample was performed mainly using X-ray diffraction (XRD) and atomic force microscopy (AFM), with GCMO growth and surface quality checks. And the result shows a good growth of GCMO on top of the substrate and buffer layers. The electrical transport measurements using Keithley and ArC ONE indicated some variation in resistance and current at the final device connection of each fabricated sample. For the electrical characterisation, these designs for memristive properties need further study, as the device-to-device variation was not as expected. This study compares buffered and unbuffered samples to understand how the bottom electrode influences the growth of GCMO and the memristive properties of the GCMO memristor. This work is important for optimising device performance and improving the design of future neuromorphic applications.
Security Evaluation of CNN-based Authentication System under Adversarial Attack
Mahmoudifar, Arman (2026-06-18)
Diplomityö
Face verification systems are widely used in authentication, access control, surveillance, and mobile identity workflows. These systems usually follow a detect–embed–compare pipeline, where a face is detected and aligned, converted into an embedding by a deep neural network, and compared using a similarity metric and decision threshold. Although modern deep learning-based systems achieve strong clean performance, they may remain vulnerable to adversarially crafted inputs. This thesis evaluates the clean and adversarial robustness of a pretrained face verification pipeline rather than training a new model from scratch. The implemented system uses MTCNN for face detection and alignment, InceptionResnetV1 pretrained on VGGFace2 for embedding extraction, cosine similarity for pair comparison, and a validation-selected threshold for verification decisions. The experiments follow an identity-disjoint evaluation protocol, and a clean baseline is first established using original face images. The adversarial evaluation follows a pair-verification threat model. Two white-box gradient-based attacks are studied: the Fast Gradient Sign Method (FGSM) and Projected Gradient Descent (PGD). The attacks are generated on aligned face crops, and only the first image in each pair is perturbed. For genuine pairs, the attack aims to decrease similarity and cause false rejection, while for impostor pairs, it aims to increase similarity and cause false acceptance. The results show that the clean system performs well under normal conditions but is substantially affected by adversarial perturbations. PGD has a stronger impact than FGSM, and impostor-pair attacks are more successful than genuine-pair attacks, which is important for security-sensitive deployments because false acceptance can have serious consequences. The thesis also evaluates lightweight test-time prepro-cessing defenses, including JPEG recompression, Gaussian blur, median filtering, and bit-depth reduction. These defenses provide partial robustness improvements without retraining the model. JPEG recompression at quality 50 gives the best overall trade-off, while median filtering preserves clean accuracy slightly better. Overall, the findings show that clean verification accuracy alone is not sufficient for evaluating face verification systems intended for security-critical applications.
MgO-puskurikerrokselle kasvatettujen GCMO-pohjaisten kapasitiivisten memristorien käyttö integroivana neuronina
Miettinen, Lotta (2026-06-17)
Pro gradu -tutkielma
Useimmissa nykytietokoneissa käytössä olevassa von Neumann -arkkitehtuurissa prosessori ja muisti ovat erillään, mikä aiheuttaa pullonkaulan datan kulkiessa näiden välillä. Tämä rajoittaa laskentatehoa ja kuluttaa paljon energiaa. Lupaavana ratkaisuna tähän on biologisia aivoja mallintava neuromorfinen laskenta, joka hyödyntää jännitepiikkejä käyttäviä neuroverkkoja. Suuren laskentatehon ja samalla pienen energiankulutuksen mahdollistaa laskennan rinnakkainen ja tapahtumapohjainen luonne. Neuroverkot koostuvat neuroneista ja niitä yhdistävistä synapseista. Yleisin jännitepiikkejä käyttävissä neuroverkoissa käytetty neuronimalli on leaky-integrate-and-fire-malli, joka biologisen neuronin tavoin integroi tulevat jännitepulssit kasvattamalla kalvojännitettä, vuotaa jännitepulssien välillä ja tuottaa uuden jännitepulssin kynnysjännitteen ylittyessä. Potentiaaliseksi vaihtoehdoksi laitetason toteutukseen ovat nousseet memristorit eli muistivastukset. Alumiinin ja Gd(1-x)Ca(x)MnO(3):n (\mbox{GCMO}) rajapintaan perustuvilla memristoreilla on havaittu sekä haihtuvan että haihtumattoman muistin ominaisuuksia riippuen GCMO:n rakenteesta. Tässä työssä tarkasteltiin MgO-puskurikerroksen vaikutusta GCMO:n rakenteeseen ja näin valmistettujen Al/GCMO-memristorien leaky-integrate-neuroniominaisuuksia. Sarja eripaksuisia MgO-ohutkalvoja kasvatettiin STO-alustalle (STO) laserhöyrystyksellä. Ohutkalvojen rakenteellisia ominaisuuksia tarkasteltiin röntgendiffraktiolla ja atomivoimamikroskoopilla. MgO-puskurikerrosten päälle kasvatettiin Gd(0,2)Ca(0,8)MnO(3)-ohutkalvot ja myös niiden rakennetta tarkasteltiin röntgendiffraktiolla. Optisella litografialla kuvioitujen Al/GCMO-memristorien resistiivistä kytkentää ja leaky-integrate-neuroniominaisuuksia tarkasteltiin ArC ONE -mittalaitteella. Neuroniominaisuuksia mitattiin kahden erilaisen SET-jännitepulssisarjan avulla. Rakneteelliset mittaukset osoittivat MgO:n kasvavan STO:lle epitaksiaalisena ja GCMO:n MgO-puskurikerrokselle monikiteisenä. Vaikka kaikilla näytteillä havaittiin resistiivistä kytkentää, memristorien toiminnassa oli paljon vaihtelevuutta ja epävakautta, eikä memristiivisille ominaisuuksille voitu todeta suoraa riippuvuutta puskurikerroksen paksuudesta. Tulokset näyttivät kuitenkin jo, että ohutkin puskurikerros riittää leaky-integrate-neuroniominaisuuksien ilmenemiseen. Tämä on lupaava tulos neuromorfisten systeemien skaalautuvuuden kannalta, sillä puskurikerroksen käyttö mahdollistaisi synapsina ja neuronina toimivien memristorien valmistamisen samalle alustalle.
Development and evaluation of a nonlinear regression model for parameter estimation using simulated and patient data
Jalo, Satu (2026-06-17)
Pro gradu -tutkielma
Non-linear regression models are common modelling methods. These are used in medical image processing and in extracting information that could be otherwise hard to extract. In PET-imaging blood flow can be measured with high accuracy when using radiowater as a tracer. Commonly time activity curves (TAC) and Arterial input functions (AIF) are measured. To extract information from this data, it is common practice to use different compartment models. In this thesis exponential non-linear regression model (NAIST) that PET-Centre had received in collaboration was further developed. This version of the model was also done for one TAC and AIF set, and it was further developed to work dynamically for large data. This model was explored further by developing another model, NASTα, that used the same exponential modelling part but had different parameter optimization decisions. PET-Centre had existing compartmental models built in TPClib that were used to evaluate how well the models eventually ended up working. The model used for measuring myocardial blood flow was called fitmbf, and the other model that measured blood flow in tissue perfusion fit_h2o. The models were evaluated using Pearson correlation coefficient. The optimized parameters were: blood flow, Va, K1, k2, vd, and α. NAIST had high to moderate correlation in flow from 0.57 to 0.92 in perfusions of 0.5-4 [ml/min/g] compared to fit_h2o. NASTα model had high to moderate correlation for flow from 0.59 to 0.99 in perfusion values of 1-3 [ml/min/g]. Both the NAIST and NASTα models had high correlation over 0.9 or near in normal ranges of perfusion for Va. With NASTα α had high correlation in perfusion of 0.5-3 [ml/min/g] and lower correlation with higher perfusion. For vd in NAIST the correlation was over or near 0.9 for perfusions in range 0.5 to 6 [ml/min/g]. In NASTα vd had correlation values over 0.8 in low perfusions from 0.5 to 2 [ml/min/g]. Patient outcomes are examined based on whether the model results cluster at the same values across patients. Some of the values did group but the models need more tuning to be able to perform with real patient data.Epälineaariset regressiomallit ovat yleisiä mallinnusmenetelmiä. Näitä käytetään lääketieteellisessä kuvankäsittelyssä ja sellaisen tiedon poimimisessa, jota muuten olisi vaikea saada. PET-kuvantamisessa verenvirtausta voidaan mitata suurella tarkkuudella käyttämällä merkkiaineena radiovettä. Yleensä mitataan aikaaktiivisuuskäyriä (TAC) ja valtimoiden sisääntulofunktioita (AIF). Näistä tiedon poimimiseksi on yleistä käyttää erilaisia lokeromalleja. Tässä opinnäytetyössä jatko kehitettiin PET-keskuksen yhteistyössä saamaa eksponentiaalista epälineaarista regressiomallia (NAIST). Tämä versio mallista oli tehty yhdelle TAC- ja AIF-joukolle, ja sitä jatko kehitettiin toimimaan dynaamisesti suurten tietomäärien kanssa. Tätä mallia kehitettiin edelleen luomalla toinen malli, NASTα, joka käytti samaa eksponentiaalista mallinnusosaa, mutta jolla oli erilaiset parametrien optimointimenetelmät. PET-keskuksella oli TPClib-lokeromalleja, joita käytettiin arvioimaan, kuinka hyvin uudet mallit lopulta toimivat. Sydänlihaksen verenvirtauksen mittaamiseen käytettyä mallia kutsuttiin fitmbf:ksi ja toista mallia, joka mittasi verenvirtausta kudosperfuusiossa fit_h2o:ksi. Malleja arvioitiin Pearsonin korrelaatiokertoimella. Optimoidut parametrit olivat: verenvirtaus, Va, K1, k2, vd ja α. NAIST:n virtauskorrelaatio oli korkea tai kohtalainen välillä 0,57–0,92 perfuusioissa 0,5–4 [ml/min/g] verrattuna fit_h2o:hon. NASTα-mallin virtauskorrelaatio oli korkea tai kohtalainen välillä 0,59–0,99 perfuusioarvoilla 1–3 [ml/min/g]. Sekä NAIST- että NASTα-malleilla oli korkea korrelaatio, yli 0,9 tai lähellä, normaalilla perfuusioalueella Va:lle. NASTα:n tapauksessa α:lla oli korkea korrelaatio perfuusiossa 0,5–3 [ml/min/g], ja matalampi korrelaatio korkeamman perfuusion yhteydessä. NAIST:n vd:n korrelaatio oli yli 0,9 tai lähellä sitä, perfuusio väleillä 0,5-6 [ml/min/g]. NASTα-tutkimuksessa vd:n korrelaatioarvot olivat yli 0,8 matalilla perfuusioilla välillä 0,5–2 [ml/min/g]. Potilastuloksia tarkastellaan sen perusteella, onko mallien tulokset ryhmittyneet samoihin arvoihin potilaittain. Jotkin arvot ryhmittyivät, mutta mallit tarvitsevat lisää hienosäätöä, jotta ne voivat toimia oikean potilas datan kanssa.
AI-Assisted Code Review and Quality Assurance: A Comparative Analysis of Code Smell and Security Vulnerability Detection
Saher, Yasmeen (2026-06-17)
Diplomityö
Code review is a fundamental practice in software engineering for ensuring code quality, maintainability, and security, yet it remains largely manual, time-consuming, and dependent on individual expertise. As software systems increase in size and complexity, traditional review processes and rule-based static analysis tools struggle to maintain consistency and accuracy, often failing to detect deeper design flaws, contextual defects, and complex security vulnerabilities. Advances in artificial intelligence (AI) and machine learning (ML), particularly in natural language processing and deep learning, have introduced new opportunities to enhance code review automation by enabling models to learn from large codebases and historical review data to identify code smells, defects, and security issues beyond the capabilities of traditional approaches. Despite growing interest in these AI-assisted techniques, their effectiveness, reliability, and practical integration into real-world development workflows remain insufficiently explored. This thesis investigates AI-assisted code review tools through a two-part approach. First, a literature review of 26 empirical studies is conducted to identify current research trends, evaluated techniques, and common limitations in AI-based code smell and vulnerability detection. Second, an experimental study is performed using selected Large Language Models (Codex 5.5, GPT-5.5, and Claude Sonnet 4.6) and a static analysis tool (SonarQube) to compare their performance on code smell and security vulnerability detection tasks. To the best of our knowledge, this is the first study to evaluate Codex 5.5 for code smell detection, and one of the first to jointly investigate both code smell and security vulnerability detection within a unified experimental framework. The results indicate that LLM-based approaches outperform the static analysis tool in terms of accuracy, recall, and F1-score across both code smell and vulnerability detection tasks. However, the study also identifies limitations such as prompt dependency, context window constraints, and non-deterministic model behavior, which may affect reproducibility and consistency of results.

Turun yliopiston kirjasto
Turun yliopisto

julkaisut@utu.fi
Tietosuojaseloste
Saavutettavuusseloste
Evästeasetukset