Registrul de lucru (ACC)

Stochează un singur bit (0/1)

Poate fi implementat cu un flip‑flop D.

Registrul de program (PC)

Conține adresa următoarei instrucţiuni (de obicei 8‑12 biţi).

PC‑ul nu este de un bit, ci are lățime suficientă pentru a adresa memoria de program.

Memorie de date

Stochează fluxul de biţi (ex.: 1 kB de memorie SRAM).

Accesul este tipic bit‑wise: se citeşte sau scrie un singur bit la fiecare ciclu.

ALU pe un bit

Realizează operaţii logice (AND, OR, XOR, NOT) și aritmetice (ADD cu carry, SUB).

Pentru adunare se foloseşte un full‑adder cu intrarea de carry din ciclul precedent.

Clock

Sincronizează toate operaţiunile.

Frecvenţa este de obicei mică (câteva sute kHz – câteva MHz) deoarece procesarea este serială.

Instrucţiuni

1‑2 cuvinte (de obicei 8‑12 biţi) – cod operaţie + adresă bit.

Setul de instrucţiuni este foarte redus (10‑20 de comenzi).

Simplitate hardware

Un ALU pe un bit poate fi realizat cu doar câteva porţi logice (≈10‑15 NAND/NOR). Costul siliconului este foarte mic.

Consum energetic redus

Fiecare tranzistor comută rar; pentru aplicaţii cu baterii de mică capacitate (ex.: senzori) este atractiv.

Dimensiune foarte mică

Poate fi integrat în system‑on‑chip (SoC) ca micro‑controller secundar pentru sarcini simple.

Facil de învățat

Pentru studenţi, proiectarea unui procesor pe un bit este un exerciţiu excelent de înţelegere a principiilor de bază ale arhitecturii CPU.

Compatibilitate cu tehnologia „bit‑serial”

Unele sisteme de comunicaţii (ex.: UART, SPI pe un singur fir) lucrează deja serial, deci un procesor pe un bit se potriveşte natural.

Performanţă scăzută

Pentru a procesa un cuvânt de 8 biţi sunt necesare 8 cicluri de ceas; pentru 32 biţi – 32 de cicluri.

Programare dificilă

Codul trebuie scris în manieră bit‑serială sau trebuie tradus de un compilator special; debugging‑ul este mai greoi.

Memorie limitată

De obicei, ROM/Flash și RAM sunt de ordinul câtorva sute de octeţi, suficient doar pentru rutine simple.

Aplicaţii restrânse

Nu este potrivit pentru sarcini intensive de calcul, grafică, criptografie, etc.

MC14500B

1977

Texas Instruments

1‑bit ALU, 8‑bit program counter, ROM internă de 1 KB, 16‑instrucţiuni

Control industrial, PLC‑uri simple, interfeţe de senzori

PIC10F200 / PIC10F202

1998

Microchip

6‑bit instrucţiuni, 1‑bit ALU, 256‑byte program memory, 16‑bit PC

Aplicaţii de low‑power, control de motoare, interfeţe de butoane

PicoBlaze‑1 (Xilinx)

2003

Xilinx (soft‑core)

1‑bit ALU în logica FPGA, 12‑bit PC, 64‑byte de instrucţiuni

Implementări rapide în FPGA pentru prototipare

MCS‑4 / 4004 (parțial)

1971

Intel

Deși este 4‑bit, primele versiuni aveau un „core” pe un bit pentru operaţii de control

Primele microprocesoare comerciale

TinyCPU‑1 (proiect open‑source)

2015

Diverse

1‑bit ALU, 8‑bit PC, implementare în Verilog, sintetizabil pe FPGA

Educație, demonstraţii de micro‑arhitectură

Control industrial simplu

Necesită doar logică binară (on/off), cost scăzut, robustete.

Sisteme de senzori IoT

Consumul foarte mic permite alimentarea prin baterii de câteva mAh sau chiar prin energie de la vibraţii.

Micro‑robotică

Dimensiuni reduse, posibilitatea de a fi integrat în “smart dust”.

Aplicaţii educaționale

Studenţii pot proiecta și testa o arhitectură completă pe o placă de dezvoltare cu câteva sute de LUT‑uri.

Implementare în FPGA ca soft‑core

Pentru prototipuri rapide, se poate crea un core pe un bit în câteva sute de porţi logice, lăsând restul FPGA‑ului liber pentru alte funcţii.

Edge‑computing ultra‑low‑power

Senzorii care procesează date direct la margine pot beneficia de un micro‑controller pe un bit pentru pre‑filtrare (ex.: detectarea pragului, codificare de tip run‑length).

Neuro‑computing binar

Rețele neuronale binare (BNN) folosesc doar valori {‑1, +1}. Implementarea lor pe hardware bit‑serial poate fi foarte eficientă din punct de vedere energetic.

IoT “smart dust”

Proiecte de micro‑robotice cu dimensiuni sub milimetru pot integra un core pe un bit în spaţiul ocupat de un singur tranzistor.

Reconfigurable logic

FPGA‑uri moderne permit crearea de micro‑core pe un bit în câteva sute de LUT‑uri, lăsând restul pentru alte sarcini.

Securitate hardware simplă

Generarea de numere pseudo‑aleatoare pe bază de linear feedback shift register (LFSR) pe un bit este trivială și poate fi integrată direct în core.

Datasheet MC14500B

https://www.ti.com/lit/ds/symlink/mc14500b.pdf

Microchip PIC10F200 datasheet

https://ww1.microchip.com/downloads/en/DeviceDoc/40001879A.pdf

Articol „One‑Bit CPUs – A Retrospective”

IEEE Micro 2020, vol. 40, nr. 4

Tutorial Verilog – One‑Bit Soft‑Core

https://www.fpga4student.com/2021/03/one-bit-cpu-verilog-tutorial.html

Book – “Computer Organization and Design: The Hardware/Software Interface” (David Patterson, John Hennessy) – capitolul despre procesoare bit‑serial.

Open‑source project – TinyCPU‑1

https://github.com/ericsson/TinyCPU-1

Simulare online – EDA Playground – Poţi scrie și testa cod Verilog pentru un 1‑bit ALU în câteva minute.

1️⃣ Clock ultra‑rapid

Un oscilator optoelectronic (OEO) generează un semnal optic de 100 GHz (pulsuri de lumină). Acesta este distribuit printr‑o reţea de waveguide‑fibers (silicon‑on‑insulator, SiN) ce acţionează ca „bus de clock” pentru toate blocurile.

2️⃣ Bit‑serializare

Intrarea dată (electrică sau optică) este convertită într‑un single‑photon pulse (SPP) cu polarizare 0° = „0” şi 90° = „1”. Fiecare ciclu de clock conţine exact un photon (sau un grup coerent de fotoni) care reprezintă bitul curent.

3️⃣ Logică prin interferenţă cuantică

Porti logice (AND, OR, XOR, NOT, ADD cu transport) sunt implementate ca interferometre Mach‑Zehnder (MZI) sau ring resonators controlate electro‑optic (EO) şi electro‑absorptive (EA). Starea de ieşire este determinată de faza relativă a braţelor – un efect de interferenţă cuantică ce corespunde operaţiunii logice pe un bit.

4️⃣ Sincronizare

Toate unităţile funcţionale (ALU, registre, memorie, I/O) sunt alimentate de acelaşi puls de clock optic (100 GHz). Un Distribuitor de Clock Fotonic (F‑CD), bazat pe un splitter multimodal cu feedback în buclă (PLL optică), asigură că fiecare element primeşte un semnal de referinţă cu jitter < 10 fs.

5️⃣ Stocare

Memoria este un buffer de fotoni (delay‑line) şi/sau un registru cu spin‑photon (NV‑centre / quantum‑dot). Un „delay‑line” optică de 1 mm (≈ 5 ps) poate fi înfăşurat în bucle pentru a crea un registru de tip shift‑register pe 8‑16 biţi. Pentru acces aleator se folosesc micro‑ring resonators cu tunare electro‑optică (SRAM‑fotonic).

6️⃣ I/O

Intrarea/ieşirea se realizează prin modulatoare electro‑optice (EOM) şi detectoare single‑photon (SNSPD – Superconducting Nanowire Single‑Photon Detector). Datele externe pot fi transmise prin fibră multimodală (40 Gb/s) şi convertite în/ din fotoni de 100 GHz prin laser‑comb sincronizat.

Clock Generator (OEO)

Laser mode‑locked (Si‑photonics) + EO‑amplifier (InP)

Produce pulsuri 100 GHz, distribuie prin bus‑optic

Închidere PLL optică cu detector de fază pentru jitter < 10 fs

Distribuitor de Clock (F‑CD)

1×N splitter + variable delay lines (thermo‑optic)

Asigură că fiecare modul primeşte acelaşi front de clock

Compensaţi diferenţele de lungime de waveguide cu tunere de fază

Accumulator (ACC)

Interferometru Mach‑Zehnder cu armă de control EO (π‑phase shift = „1”)

Stochează bitul curent

Resetat la fiecare ciclu de clock prin puls de reset optic

ALU (logică 1‑bit)

- AND: MZI cu două intrări, fază =0 → ieşire „0”, fază =π → „1”.
- OR: MZI cu fază de interferenţă constructivă dacă oricare din braţe are fază π.
- XOR: Două MZI în serie, una cu π‑phase shift controlat de al doilea bit.
- NOT: MZI cu o singură armă de fază π (inversare).
- ADD + Carry: Două MZI în cascada; transportul (carry) este realizat prin interferenţă cuantică a doi fotoni (GHZ‑like) în regiunea de cuplare.

Execută operaţiuni logice şi aritmetice pe un bit

Fiecare MZI este alimentat cu semnalul de clock; comutarea fazelor se face în < 5 ps cu modulatoare EO de tip LiNbO₃ sau Barium Titanate integrat.

Program Counter (PC)

Ring resonator cu Q‑factor > 10⁴ + EO‑tuner

Incrementare 100 GHz → adresa următorului bit de memorie

Datorită latenţei mici (≈ 1 ps) PC‑ul poate fi actualizat în acelaşi ciclu de clock

Memory (Optical RAM)

- Delay‑line (silicon waveguide 5 ps/ mm) pentru shift‑register (8‑16 biţi).
- Quantum‑dot spin‑photon celule (NV‑centre în diamant) pentru stocare aleatoare; citire prin cavity‑enhanced Raman scattering.

1‑bit la fiecare adresă; acces aleator prin WDM (wavelength‑division multiplexing) pentru a selecta linia de adresă

Pentru viteze de 100 GHz, fiecare celulă trebuie să poată absorbi şi emite un photon în < 5 ps → necesită temperatură cryogenică (< 4 K) şi materiale cu dipol mare (InAs/GaAs QDs).

I/O Interface

EOM (electro‑optic modulators) la intrare → polarizare 0°/90° = 0/1.
SNSPD la ieşire → detectare single‑photon cu timp de reacție 3 ps.

Conversia dintre semnal electric și fotonic

EOM trebuie să fie bandwidth > 120 GHz (ex: Plasmonic‑EOM cu 10 fs).

Control Unit (CU)

Finite‑State‑Optical Machine (FSM) realizat prin optical flip‑flops (MZI cu feedback).

Decodează instrucţiuni (Opcode) şi controlează fazele modulatoarelor în ALU și MEM

CU este sincronizat direct cu pulsul de clock; stările interne se actualizează în acelaşi front de clock, evitând any “pipeline” latency.

Modulator EO

LiNbO₃ rib waveguide, Vπ ≈ 5 V, bandwidth 120 GHz.

Timp de schimbare < 3 ps, inserție loss < 0.5 dB.

MZI Phase‑Shifter

Barium titanate (BTO) thin‑film integrat pe Si, Vπ·L ≈ 0.5 V·cm.

Permite schimbarea rapidă a fazei cu consum redus.

Detectors SNSPD

NbN nanowire, 100 ps jitter, 3 ps recovery, 0.8 QE @ 1550 nm.

Necesare pentru a detecta un photon per ciclu fără “dead‑time”.

Laser Comb (mode‑locked)

100 GHz repetition, < 1 MHz linewidth, < 5 fs pulse width.

Poate fi stabilizat prin self‑referencing f‑2f interferometer.

Cavities Q‑dot

Photonic crystal nanocavity Q > 10⁴, λ ≈ 950 nm, g ≈ 30 GHz.

Permite scriere/ citire în < 5 ps (Rabi oscillation).

Waveguide material

Si (n≈3.45) + SiN (n≈2.0) + SiO₂ cladding.

Latență ≈ 5 ps/mm, permitând delay‑lines de câteva ps cu lungimi < 1 mm.

Temperatură operativă

Cryogenic (2‑4 K) pentru SNSPD și QD‑memorie.

Reduce pierderile și crește Q‑factor. Pentru test‑bench, se poate utiliza cryocooler cu vibraţii < 10 nm.

Jitter & Skew

La 100 GHz, jitter de 1 ps poate produce erori de fază în MZI (deplasare de 0.36 rad).

PLL optică cu detector de fază cu rezoluție < 10 fs; tunere termice pentru compensare statică.

Loss în waveguides

Pierderi cumulative (> 3 dB) pot diminua amplitudinea photonului, ducând la erori de citire.

Utilizaţi SiN low‑loss waveguides (< 0.2 dB/cm) şi erbium‑doped gain sections pentru recompensare.

Cross‑talk WDM

Multiple wavelengths pentru adresare pot interfere cu logica bit‑by‑bit.

Filtre ring resonators cu Q‑high pentru separare spectrală > 20 GHz; separare polarizare (TE/TM).

Temperatură cryogenică

Detectoare SNSPD și QD‑memorie necesită < 4 K.

Integraţi closed‑cycle cryocooler cu vibraţii minimizate; waveguides din Si‑on‑Insulator pot rămâne la 300 K, doar elementele critice la cryogenic.

Controlul transportului (carry)

Necesită interacţiune cuantică între doi fotoni în < 5 ps.

Folosiţi non‑linear χ⁽³⁾ waveguides cu parametri de fază controlată (Four‑Wave Mixing) pentru generarea unui photon de transport în timp real.

Dimensiuni fizice

100 GHz → lungimea de undă ≈ 3 mm în vid (≈ 1.5 mm în Si).

Implementaţi plasmonic waveguides pentru miniaturizare, dar cu grijă la pierderi și încărcare termică.

1️⃣ Clock ultra‑rapid

Un oscilator optoelectronic (OEO) generează un semnal optic de 100 GHz (pulsuri de lumină). Acesta este distribuit printr‑o reţea de waveguide‑fibers (silicon‑on‑insulator, SiN) ce acţionează ca „bus de clock” pentru toate blocurile.

2️⃣ Bit‑serializare

Intrarea dată (electrică sau optică) este convertită într‑un single‑photon pulse (SPP) cu polarizare 0° = „0” şi 90° = „1”. Fiecare ciclu de clock conţine exact un photon (sau un grup coerent de fotoni) care reprezintă bitul curent.

3️⃣ Logică prin interferenţă cuantică

Porti logice (AND, OR, XOR, NOT, ADD cu transport) sunt implementate ca interferometre Mach‑Zehnder (MZI) sau ring resonators controlate electro‑optic (EO) şi electro‑absorptive (EA). Starea de ieşire este determinată de faza relativă a braţelor – un efect de interferenţă cuantică ce corespunde operaţiunii logice pe un bit.

4️⃣ Sincronizare

Toate unităţile funcţionale (ALU, registre, memorie, I/O) sunt alimentate de acelaşi puls de clock optic (100 GHz). Un Distribuitor de Clock Fotonic (F‑CD), bazat pe un splitter multimodal cu feedback în buclă (PLL optică), asigură că fiecare element primeşte un semnal de referinţă cu jitter < 10 fs.

5️⃣ Stocare

Memoria este un buffer de fotoni (delay‑line) şi/sau un registru cu spin‑photon (NV‑centre / quantum‑dot). Un „delay‑line” optică de 1 mm (≈ 5 ps) poate fi înfăşurat în bucle pentru a crea un registru de tip shift‑register pe 8‑16 biţi. Pentru acces aleator se folosesc micro‑ring resonators cu tunare electro‑optică (SRAM‑fotonic).

6️⃣ I/O

Intrarea/ieşirea se realizează prin modulatoare electro‑optice (EOM) şi detectoare single‑photon (SNSPD – Superconducting Nanowire Single‑Photon Detector). Datele externe pot fi transmise prin fibră multimodală (40 Gb/s) şi convertite în/ din fotoni de 100 GHz prin laser‑comb sincronizat.

Clock Generator (OEO)

Laser mode‑locked (Si‑photonics) + EO‑amplifier (InP)

Produce pulsuri 100 GHz, distribuie prin bus‑optic

Închidere PLL optică cu detector de fază pentru jitter < 10 fs

Distribuitor de Clock (F‑CD)

1×N splitter + variable delay lines (thermo‑optic)

Asigură că fiecare modul primeşte acelaşi front de clock

Compensaţi diferenţele de lungime de waveguide cu tunere de fază

Accumulator (ACC)

Interferometru Mach‑Zehnder cu armă de control EO (π‑phase shift = „1”)

Stochează bitul curent

Resetat la fiecare ciclu de clock prin puls de reset optic

ALU (logică 1‑bit)

- AND: MZI cu două intrări, fază =0 → ieşire „0”, fază =π → „1”.
- OR: MZI cu fază de interferenţă constructivă dacă oricare din braţe are fază π.
- XOR: Două MZI în serie, una cu π‑phase shift controlat de al doilea bit.
- NOT: MZI cu o singură armă de fază π (inversare).
- ADD + Carry: Două MZI în cascada; transportul (carry) este realizat prin interferenţă cuantică a doi fotoni (GHZ‑like) în regiunea de cuplare.

Execută operaţiuni logice şi aritmetice pe un bit

Fiecare MZI este alimentat cu semnalul de clock; comutarea fazelor se face în < 5 ps cu modulatoare EO de tip LiNbO₃ sau Barium Titanate integrat.

Program Counter (PC)

Ring resonator cu Q‑factor > 10⁴ + EO‑tuner

Incrementare 100 GHz → adresa următorului bit de memorie

Datorită latenţei mici (≈ 1 ps) PC‑ul poate fi actualizat în acelaşi ciclu de clock

Memory (Optical RAM)

- Delay‑line (silicon waveguide 5 ps/ mm) pentru shift‑register (8‑16 biţi).
- Quantum‑dot spin‑photon celule (NV‑centre în diamant) pentru stocare aleatoare; citire prin cavity‑enhanced Raman scattering.

1‑bit la fiecare adresă; acces aleator prin WDM (wavelength‑division multiplexing) pentru a selecta linia de adresă

Pentru viteze de 100 GHz, fiecare celulă trebuie să poată absorbi şi emite un photon în < 5 ps → necesită temperatură cryogenică (< 4 K) şi materiale cu dipol mare (InAs/GaAs QDs).

I/O Interface

EOM (electro‑optic modulators) la intrare → polarizare 0°/90° = 0/1.
SNSPD la ieşire → detectare single‑photon cu timp de reacție 3 ps.

Conversia dintre semnal electric și fotonic

EOM trebuie să fie bandwidth > 120 GHz (ex: Plasmonic‑EOM cu 10 fs).

Control Unit (CU)

Finite‑State‑Optical Machine (FSM) realizat prin optical flip‑flops (MZI cu feedback).

Decodează instrucţiuni (Opcode) şi controlează fazele modulatoarelor în ALU și MEM

CU este sincronizat direct cu pulsul de clock; stările interne se actualizează în acelaşi front de clock, evitând any “pipeline” latency.

Modulator EO

LiNbO₃ rib waveguide, Vπ ≈ 5 V, bandwidth 120 GHz.

Timp de schimbare < 3 ps, inserție loss < 0.5 dB.

MZI Phase‑Shifter

Barium titanate (BTO) thin‑film integrat pe Si, Vπ·L ≈ 0.5 V·cm.

Permite schimbarea rapidă a fazei cu consum redus.

Detectors SNSPD

NbN nanowire, 100 ps jitter, 3 ps recovery, 0.8 QE @ 1550 nm.

Necesare pentru a detecta un photon per ciclu fără “dead‑time”.

Laser Comb (mode‑locked)

100 GHz repetition, < 1 MHz linewidth, < 5 fs pulse width.

Poate fi stabilizat prin self‑referencing f‑2f interferometer.

Cavities Q‑dot

Photonic crystal nanocavity Q > 10⁴, λ ≈ 950 nm, g ≈ 30 GHz.

Permite scriere/ citire în < 5 ps (Rabi oscillation).

Waveguide material

Si (n≈3.45) + SiN (n≈2.0) + SiO₂ cladding.

Latență ≈ 5 ps/mm, permitând delay‑lines de câteva ps cu lungimi < 1 mm.

Temperatură operativă

Cryogenic (2‑4 K) pentru SNSPD și QD‑memorie.

Reduce pierderile și crește Q‑factor. Pentru test‑bench, se poate utiliza cryocooler cu vibraţii < 10 nm.

Jitter & Skew

La 100 GHz, jitter de 1 ps poate produce erori de fază în MZI (deplasare de 0.36 rad).

PLL optică cu detector de fază cu rezoluție < 10 fs; tunere termice pentru compensare statică.

Loss în waveguides

Pierderi cumulative (> 3 dB) pot diminua amplitudinea photonului, ducând la erori de citire.

Utilizaţi SiN low‑loss waveguides (< 0.2 dB/cm) şi erbium‑doped gain sections pentru recompensare.

Cross‑talk WDM

Multiple wavelengths pentru adresare pot interfere cu logica bit‑by‑bit.

Filtre ring resonators cu Q‑high pentru separare spectrală > 20 GHz; separare polarizare (TE/TM).

Temperatură cryogenică

Detectoare SNSPD și QD‑memorie necesită < 4 K.

Integraţi closed‑cycle cryocooler cu vibraţii minimizate; waveguides din Si‑on‑Insulator pot rămâne la 300 K, doar elementele critice la cryogenic.

Controlul transportului (carry)

Necesită interacţiune cuantică între doi fotoni în < 5 ps.

Folosiţi non‑linear χ⁽³⁾ waveguides cu parametri de fază controlată (Four‑Wave Mixing) pentru generarea unui photon de transport în timp real.

Dimensiuni fizice

100 GHz → lungimea de undă ≈ 3 mm în vid (≈ 1.5 mm în Si).

Implementaţi plasmonic waveguides pentru miniaturizare, dar cu grijă la pierderi și încărcare termică.

Frecvență de ceas

100 GHz (10 ps)

Instrucţiuni pe secundă (1‑bit)

100 G instrucţiuni/s

OPS (operatii pe secundă) pe 8‑bit

12,5 GOPS (prin shift‑register)

Consum energetic

Modulator EO ≈ 0.5 mW per MZI; SNSPD ≈ 10 µW (când este refrigerat). Total < 10 W pentru prototip.

Densitate logică

~10⁶ MZI per cm² (cu tehnologie 45 nm).

Latenta medie

1‑2 cicluri de clock (10‑20 ps).

Toleranță la erori

Bit‑error‑rate (BER) < 10⁻⁹ cu codare ECC (paritate).

1

Domeniul principal (ex.: programare web, marketing digital, management de proiect, inteligență artificială, design grafic, limbi străine, etc.)

Pentru a alege subiectele și competențele specifice.

2

Publicul ţintă (începători, intermediar, avansaţi; studenţi, profesionişti, antreprenori)

Nivelul de dificultate, profunzimea teoretică și tipul de activităţi practice.

3

Durata totală a cursului (ex.: 4 săptămâni, 3 luni, 6 luni) și numărul dorit de module

Pentru a distribui conţinutul în mod echilibrat.

4

Obiectivele finale (ex.: să poată construi un site complet, să lanseze o campanie de ads, să gestioneze un proiect Agile, să dezvolte modele de ML)

Pentru a defini rezultatele de învățare ale fiecărui modul.

5

Tipul de materiale preferate (prezentări video, texte scrise, exerciţii practice, studii de caz, proiecte finale)

Pentru a structura fiecare modul în funcție de formatul dorit.

6

Resurse existente (ai deja câteva slide‑uri, articole, tutoriale pe care vrei să le integrăm?)

Pentru a reutiliza conținutul și a economisi timp.

7

Certificare / evaluare (vrei teste, quiz‑uri, evaluare pe bază de proiect, examen final?)

Pentru a planifica activităţi de verificare a învățării.

1

Domeniul principal (ex.: programare web, marketing digital, management de proiect, inteligență artificială, design grafic, limbi străine, etc.)

Pentru a alege subiectele și competențele specifice.

2

Publicul ţintă (începători, intermediar, avansaţi; studenţi, profesionişti, antreprenori)

Nivelul de dificultate, profunzimea teoretică și tipul de activităţi practice.

3

Durata totală a cursului (ex.: 4 săptămâni, 3 luni, 6 luni) și numărul dorit de module

Pentru a distribui conţinutul în mod echilibrat.

4

Obiectivele finale (ex.: să poată construi un site complet, să lanseze o campanie de ads, să gestioneze un proiect Agile, să dezvolte modele de ML)

Pentru a defini rezultatele de învățare ale fiecărui modul.

5

Tipul de materiale preferate (prezentări video, texte scrise, exerciţii practice, studii de caz, proiecte finale)

Pentru a structura fiecare modul în funcție de formatul dorit.

6

Resurse existente (ai deja câteva slide‑uri, articole, tutoriale pe care vrei să le integrăm?)

Pentru a reutiliza conținutul și a economisi timp.

7

Certificare / evaluare (vrei teste, quiz‑uri, evaluare pe bază de proiect, examen final?)

Pentru a planifica activităţi de verificare a învățării.

1

Introducere în Web & HTML5

Înțelege structura unei pagini web; scrie markup HTML valid

Structura documentului, elemente comune, semantica HTML5

Crearea unei pagini “About Me”

Quiz 5 întrebări

2

CSS3 – stilizare de bază

Stilizează pagina creată în Modul 1

Selectori, box model, layout flex, culori & fonturi

Aplică stiluri la pagina “About Me”

Revizie cod + feedback

3

Responsive Design & Media Queries

Fă pagina să arate bine pe toate dispozitivele

Breakpoints, mobile‑first, viewport, Flexbox/Grid

Transformă pagina în design responsive

Test pe device diferite

…

…

…

…

…

…

2

Publicul ţintă – începător, intermediar, avansat; studenţi, profesionişti, antreprenori etc.

Ne ajută să stabilim nivelul de complexitate și limbajul folosit.

3

Durata totală a cursului (ex.: 4 săptămâni, 3 luni, 6 luni) și numărul dorit de module (ex.: 6 module, 12 module…)

Pentru a distribui conţinutul în mod echilibrat și a respecta timpul disponibil.

4

Obiectivele finale – ce competenţe vrei ca participanţii să aibă la final (ex.: să poată antrena un model de clasificare, să implementeze un chatbot, să înţeleagă conceptele de învățare profundă etc.).

Definim rezultatele de învățare ale fiecărui modul.

5

Tipul de materiale preferate – video, text, slide‑uri, laboratoare practice, studii de caz, proiecte finale etc.

Structurăm fiecare modul în funcție de formatul dorit.

6

Resurse existente (dacă ai deja tutoriale, articole, slide‑uri pe care vrei să le integrăm).

Putem reutiliza conţinutul și să economisim timp.

7

Modalitatea de evaluare – quiz‑uri, teste, proiecte practice, prezentări, examen final.

Planificăm activităţi de verificare a învățării.

1

Introducere în IA & Ecosistemul de tool‑uri

2‑3 ore

Înțelegerea conceptelor de bază (IA, ML, DL, NLP, CV). Familiarizarea cu Python, Jupyter Notebook, biblioteci (NumPy, Pandas, Scikit‑learn).

Instalare mediu de lucru; scrierea primului script „Hello‑World” în ML (ex.: regresie liniară simplă).

2

Statistica și matematică pentru ML

3 ore

Reprezentarea datelor, distribuții, corelații, probabilităţi, calcul diferențial (gradient).

Analiză exploratorie a unui set de date (ex.: Iris) și calculul manual al gradientului pentru o funcție simplă.

3

Învățarea Supervizată – Algoritmi de bază

3‑4 ore

Înțelegerea regresiei liniare, logistică, K‑NN, SVM, arbori de decizie. Evaluarea modelelor (acuratețe, ROC, cross‑validation).

Implementarea unui classifier pentru detectarea cancerului din datele Breast Cancer Wisconsin.

4

Învățarea Nesupervizată – Clustering & Dimensionality Reduction

3 ore

K‑means, DBSCAN, PCA, t‑SNE. Când și de ce se folosește învățarea nesupervizată.

Segmentarea clienţilor pe baza unui set de date de vânzări și vizualizarea rezultatului cu PCA.

5

Introducere în Învățarea Profundă – Rețele Neuronale

4 ore

Arhitectura unui neuron, forward/backpropagation, funcții de activare, optimizatori (SGD, Adam).

Construirea unei rețele simple în Keras/TensorFlow pentru recunoașterea cifrelor MNIST.

6

Convoluții & Rețele Convoluționale (CNN) – Viziune Computerizată

4 ore

Conceptul de convoluție, pooling, arhitecturi clasice (LeNet, AlexNet, ResNet). Transfer learning.

Antrenarea unui model CNN pentru clasificarea imaginilor de animale (CIFAR‑10).

7

Rețele Recurente & Transformere – Procesarea Limbajului Natural (NLP)

4 ore

RNN, LSTM, GRU, atenție, BERT/GPT. Tokenizare, embedding, fine‑tuning.

Crearea unui mini‑chatbot care răspunde la întrebări simple folosind un model pre‑antrenat.

8

Etică, Bias și Responsabilitate în IA

2‑3 ore

Probleme de echitate, confidențialitate, transparență, reglementări (GDPR, EU AI Act).

Analiza unui caz real de bias în sistem de recunoaștere facială și propunerea de soluții.

9

Proiect final – „De la idee la prototip”

6‑8 ore (pe parcursul a 2‑3 săptămâni)

Aplicarea tuturor cunoștințelor într-un proiect complet (date, model, evaluare, prezentare).

Studenţii aleg un subiect (ex.: predicție prețuri imobiliare, detectare anomalii în log‑uri, generare de text) și livrează un notebook complet + raport.

10

Evaluare și Feedback

1‑2 ore

Test scris / quiz, prezentarea proiectului, discuție despre învățările obținute.

Quiz final + feedback individual.

1

Fundamentele IA & Ecosistemul Python

2

• Definirea IA, ML, DL, NLP și CV.
• Instalarea și configurarea mediului (Anaconda, Jupyter, Git).

• Scopul IA.
• Biblioteci de bază: NumPy, Pandas, Matplotlib, Scikit‑learn.
• Principiile reproducibilității (virtual env, requirements.txt).

Mini‑lab: Crearea unui notebook “Hello‑AI” – încărcarea unui CSV, descrierea statistică și vizualizare simplă.

Notebook cu cod și rapoarte de explorare.

2

Statistica și Algebra liniară pentru ML

2

• Calcularea mediei, varianţei, covarianţei și corelaţiei.
• Înțelegerea spațiilor vectoriale și a produsului scalar.

• Distribuții (normala, binomială).
• Matrici, vect. proprii, SVD.
• Derivate parțiale și lanțul de derivare.

Exercițiu: Implementarea manuală a regresiei liniare prin metoda celor mai mici pătrate și compararea cu LinearRegression din Scikit‑learn.

Cod Python + raport de comparație (RMSE).

3

Învățarea Supervizată – Algoritmi de bază

2

• Antrena și evalua un model de regresie și unul de clasificare binară.
• Interpreta metrici: acuratețe, precizie, recall, F1.

• Regressie liniară, Logistic Regression.
• K‑Nearest Neighbours, Support Vector Machines, Decision Trees.
• Cross‑validation și GridSearch.

Proiect: Detectarea fraudelor în tranzacții (setul de date Credit Card Fraud Detection de pe Kaggle).

Jupyter notebook cu model, curbe ROC și raport de metrici.

4

Învățarea Supervizată – Arbori și Ensemble

2

• Construiește un arbore de decizie și un model boosting (XGBoost).
• Explică importanţa caracteristicilor.

• CART, Gini vs Entropy.
• Random Forest, Gradient Boosting, XGBoost.
• Feature importance și SHAP (conceptual).

Lab: Clasificare imaginilor de haine (Fashion‑MNIST) cu RandomForest și XGBoost; analiza importanţei pixel‑ilor.

Notebook + grafic de feature importance.

5

Învățarea Nesupervizată – Clustering & Reducere de Dimensiune

2

• Aplica K‑means și DBSCAN pe date nestrucurate.
• Reduce dimensiunea cu PCA și vizualizează rezultatele.

• K‑means, Silhouette Score.
• DBSCAN – parametrii eps & minPts.
• PCA, t‑SNE – când și de ce.

Proiect: Segmentarea clienţilor pe un set de date de vânzări (CSV fictiv). Raportare a grupurilor și recomandări de marketing.

Notebook + tabel de grupare + recomandări.

6

Introducere în Învățarea Profundă – Rețele Neuronale

2

• Implementa un perceptron multicouche (MLP) din zero.
• Antrena un MLP pe MNIST și raporta acuratețea.

• Neuron artificial, funcții de activare, forward propagation.
• Back‑propagation – derivare matricială.
• Optimizatori (SGD, Adam) și regularizare (dropout, L2).

Lab: Folosind Keras (TensorFlow) să se creeze un MLP cu 2 hidden layers pentru recunoașterea cifrelor MNIST (≥ 97 % acuratețe).

Notebook + model salvat (.h5).

7

Convoluții și Rețele Convoluționale (CNN) – Viziune Computerizată

2

• Explica operația de convoluție și pooling.
• Antrena un CNN pentru clasificare de imagini (CIFAR‑10) cu ≥ 80 % acuratețe.

• Kernel‑uri, stride, padding.
• Pooling (max, avg).
• Arhitecturi clasice (LeNet‑5, AlexNet, ResNet‑50).
• Transfer‑learning (Feature extractor).

Proiect: Fine‑tuning a ResNet‑50 pre‑antrenat (torchvision) pe un set de imagini proprii (ex.: 5 tipuri de fructe).

Cod + raport de metrici (top‑1, top‑5).

8

Rețele Recurente și Attention – NLP de bază

2

• Construiește un RNN/LSTM pentru predicție de secvență.
• Înțelege mecanismul de “attention”.

• RNN, LSTM, GRU – flux de date.
• Embedding (Word2Vec, GloVe).
• Attention – scoruri de aliniere, context vector.

Lab: Sentiment analysis pe datasetul IMDb cu un LSTM (Keras).

Notebook cu curbe de învățare și raport de precizie.

9

Transformere și Modele Pre‑antrenate (BERT / GPT‑2)

2

• Fine‑tune un model BERT pentru întrebări‑răspuns (QA) pe un dataset mic.
• Exporta modelul pentru inferență în producție.

• Architecture transformer – multi‑head attention, positional encoding.
• Tokenizers (WordPiece, BPE).
• HuggingFace 🤗 – transformers library.

Mini‑chatbot: Construiește un bot de întrebări frecvente (FAQ) folosind distilbert-base-uncased și pipeline din HuggingFace.

Cod + fișier .json cu întrebări/raspunsuri și raport de latență.

10

Etică, Bias și Responsabilitate în IA

1.5

• Identifica tipuri de bias în seturi de date și modele.
• Propune măsuri de mitigare și documentare a modelului.

• Bias statistic vs bias algoritimic.
• GDPR, EU AI Act – implicații practice.
• Explainable AI (LIME, SHAP).

Studii de caz: Analiza modelului de recunoaștere facială face_recognition pe setul UTKFace; identificarea diferențelor de performanță pe gen/etnie.

Raport de 2‑3 pagini cu constatări și recomandări.

11

MLOps – Pipeline de producție și versionare

2

• Crează un pipeline CI/CD pentru antrenarea unui model.
• Folosește Docker & MLflow pentru tracking.

• Concept de MLOps.
• Dockerfile pentru modelul de clasificare.
• MLflow tracking & model registry.

Proiect practic: 1) Dockerizează modelul de clasificare din modul 3.
2) Înregistrează experimentul în MLflow și exportă modelul ca artefact.

Repo GitHub cu Dockerfile, mlflow run și fișier .pkl.

12

Proiect final – “De la idee la prototip”

4 (împărțit în 2 săptămâni)

• Integrează tot ce s‑a învățat: pre‑procesare, modelare, evaluare, deployment.
• Prezintă soluția în format scris și demo live.

• Ghid de scriere a unui raport de cercetare (introd., metodologie, rezultate, discuție).
• Checklist de livrare (code, data, model, README).

Alegere dintre 3 teme majore (vezi secțiunea de „Idei de proiect final” mai jos). Echipe de 2‑3 persoane (opțional) sau lucru individual.

Livrabil final – notebook/Jupyter complet, fișier de model, README + raport de 5‑8 pagini. Evaluare prin peer‑review și evaluare a instructorului (criterii detaliate).

1‑2

1

1

Fundamente IA + mediul

2

2

Statistică & algebra

3‑4

1

3

Algoritmi supervizati (regresie, logistic)

2

4

Clustering & reducere dimensiune

5‑6

1

5

Rețele neuronale simple (MLP)

2

6

CNN – clasificare imagini

7‑8

1

7

RNN / LSTM – secvențe

2

8

Etică & bias

9‑10

1

9

Transformere & NLP – chatbot

2

10

MLOps – Docker & MLflow

11‑12

1‑2

11

Proiect final – design (planificare, alegere date, definire metrici)

13‑14

1‑2

12

Proiect final – implementare & prezentare (demo live + raport)

Fundamente IA

Deep Learning – Goodfellow, Bengio, Courville – Capitole 1‑3

-

Statistică

Pattern Recognition and Machine Learning – Bishop – Capitole 1‑2

-

Algoritmi ML

Hands‑On Machine Learning with Scikit‑Learn, Keras & TensorFlow – Géron – Capitole 2‑5

scikit-learn tutorial notebooks (official docs).

CNN

CS231n – Stanford (online) – lecţii 1‑9

tf.keras.applications notebook.

RNN/LSTM

The Unreasonable Effectiveness of Recurrent Neural Networks – Karpathy (blog)

keras LSTM notebook (IMDb).

Transformere

The Illustrated Transformer – Jay Alammar (blog)

HuggingFace transformers tutorials (official).

Etică

Weapons of Math Destruction – Cathy O'Neil (capitole)

LIME/SHAP notebooks (github.com/slundberg/shap).

MLOps

Machine Learning Engineering – Andriy Burkov (capitol)

mlflow quickstart (official).

Proiect final

Ghid de redactare rapoarte științifice – Nature editorial (online)

Template de repo (GitHub).

Claritatea problemei și obiectivelor

10

Pre‑procesare și ingineria caracteristicilor

15

Alegerea și justificarea modelului (ML/ DL / NLP)

20

Performanță (acuratețe, ROC‑AUC, F1, etc.)

20

MLOps – reproducibilitate (Docker, tracking)

10

Etică și mitigare bias

5

Documentație (README, raport, comentarii)

10

Prezentare demo (claritate, interactivitate)

10

Total

100

Fibră optică

Propagarea modurilor monomode la 1550 nm (sau 1310 nm) cu dispersie controlată (DCF/PCF)

Transfer de date cu pierderi minime și latență de ~5 ns/m; posibilitatea de multiplexare în lungime de undă (WDM)

Interferență cuantică

Coerență de fază a fotonilor în rețele de interferometru (Mach‑Zehnder, MZI) + efectul Hong‑Ou‑Mandel (HOM)

Realizarea de porţi logice „probabilistice” (CNOT, CZ) fără elemente electronice; scalabilitate prin rețea de interferometre integrate

Sincronizare 100 GHz

Generare de semnal clock în domeniul optoe‑electronic (mode‑locked laser, combă optică) → distribuție prin fibră cu tehnologie optical phase‑locked loop (OPLL)

Clock global cu jitter < 10 fs, toleranță la drift < 1 ps/ora; permite alinierea simultană a sute de mii de porturi logice

Generare

Mode‑locked fiber laser (MLFL) la 1550 nm, rep‑rate 100 GHz, < 100 fs pulse width

Punte spectrală: 0.5 nm, stabilitate temperatură ± 0.01 °C

Combă optică

Supercontinuum în PCF → filtrare spectrală → selecție a liniei la 100 GHz

Liniile comb: SNR > 60 dB

Distribuție

Fiber single‑mode (SMF‑28) + optical phase‑locked loops în fiecare nod

Jitter < 10 fs, drift < 1 ps/10 min

Detecție

Fotodiode uni‑bande (InGaAs) cu bandwidth 150 GHz + amplificator TIA 30 dB

SNR > 30 dB în bandă 90‑110 GHz

MZI cu modulatoare electro‑optice (EO)

SiN/Si‑on‑insulator, 0.5 µm×0.2 µm, Vπ ≈ 1.5 V, 50 GHz

10‑30 GHz (limitat de EO)

10⁴‑10⁵ unităţi pe cm²

Microring resonators (MRR) + Q‑switch

SiN ring, Q≈ 10⁴, tunare termică/EO

5‑15 GHz

Densitate ridicată (λ/4 pitch)

HOM interferometer

Fibră polarisation‑maintaining (PM‑SMF) + beam‑splitter 50:50, detector coincidences

100 GHz (detector 200 GHz)

Necesită surse de fotoni indistinguishabili

Dual‑rail qubit encoding

Două căi optice pentru fiecare qubit; operaţii prin interferență pe MZI

100 GHz

Compatibil cu multiplexare WDM

Quantum‑dot spin

InAs QD în cavitate fotonică, control prin impulsuri optice

10‑100 µs (spin)

10‑100 ns (read/write)

Atomic ensemble (Rb‑87)

EIT în fibre hollow‑core, memorie Raman

1‑10 ms

1‑10 µs

Photon‑cluster buffer

Rețea de delay‑line în fibră cu multiplexare

10‑100 ns (delay)

„on‑the‑fly”

MLFL

Rep‑rate 100 GHz, 1550 nm, < 50 fs pulse

Folosire a nonlinear polarization rotation pentru stabilitate

Amplificator EDFA

Gain 20 dB, NF < 5 dB

Pentru compensarea pierderilor în PCF

PCF (Photonic Crystal Fiber)

Zero‑dispersion wavelength (ZDW) 1550 nm, non‑linearity γ≈ 11 (W·km)⁻¹

Crearea supercontinuum largă

Filtru tunabil (Fabry‑Pérot)

Lățime de bandă 0.2 nm, tunare termică ± 0.5 nm

Extrage linia exactă 100 GHz

OPLL

Loop bandwidth 10 MHz, phase detector jitter 2 fs

Integrează fotodiodă de 150 GHz și VCO pe SiGe

Lungime braț

2 mm (diferență de cale < 100 µm)

Menține coerență temporală pentru 100 GHz

Vπ

1.5 V (LiNbO₃ pe Si)

Compatibil cu driverul CMOS 1 V

Extincție

> 30 dB

Reduce erorile de fază

Toleranță termică

± 0.01 °C (control Peltier)

Evită driftul de fază

Lățime de bandă

200 GHz (rise‑time 2 ps)

Efiență cuantică

92 % la 1550 nm

Jitter

3 ps RMS

Temperatura de operare

2.5 K (cryocooler cu 0.2 W consum)

Frecvență logică

100 GHz (clock) × 0.8 (eficiență de interferență) ≈ 80 Gops/chip

Simulare Lumerical INTERCONNECT + Monte‑Carlo pentru jitter

Latență totală

5 ns (propagare fibră 1 m) + 2 ns (MZI) + 1 ns (detecție) ≈ 8 ns

Analiză T‑coordinată

Consumul energetic

0.5 W per MZI (driver EO) + 0.02 W per SNSPD (cryogenic) ≈ 10 W/cm²

Calcul bazat pe curentul de bias și pierderi optice

Densitatea de porţi

10⁴ MZI/cm² (SiN PIC)

Design layout 10‑µm pitch

Scalabilitate

10⁶ porţi pe wafer 200 mm → 10¹² ops/s total

Extindere prin chip‑stacking (3‑D PIC)

Coerență pe distanțe lungi

Fibră → dezintegrări de fază (PMD, CD)

Utilizare PCF cu flattened dispersion; compensare activă cu phase‑shifters OPLL

Jitter al semnalului de ceas

Erori de sincronizare la 100 GHz

OPLL cu buclă de feedback rapidă + monitorizare în timp real a jitter‑ului

Pierderea la modulatoare EO

Scăderea raportului semnal/zgomot

Integrare modulatoare pe platforma LiNbO₃‑on‑Si (loss < 2 dB)

Detecție single‑photon la 100 GHz

Lățime de bandă insuficientă a SNSPD

Dezvoltare SNSPD cu nanowire 30‑nm, read‑out pe ASIC de 200 GHz; alternativ, heterodyne detection pentru semnale clasice

Control termic

Drift de fază în MZI

Sistem de răcire micro‑fluidic + feedback termic cu senzorii integrated PTAT

Integrarea memoriei cuantice

Interfață foton‑spin

Folosire de cavity‑enhanced coupling (Q‑factor > 10⁶) pentru transfer rapid între foton și Q‑dot

I – Proof‑of‑Concept (0‑12 luni)

12 luni

• Generare 100 GHz stabilă
• Un singur MZI + detector SNSPD
• Sincronizare OPLL

- Laser mode‑locked 100 GHz
- Chip PIC cu 1 MZI
- Raport de jitter
- Articol IEEE

II – Multi‑gate demonstrator (12‑24 luni)

12 luni

• 64 MZI interconectate (4×4 array)
• Implementare logică CNOT prin HOM
• Integrare cu controler FPGA

- Chip PIC 64‑gate
- Demo “Bell‑state generation”
- Cod open‑source pentru driver EO

III – Scalare și memorie (24‑36 luni)

12 luni

• Integrare Q‑dot sau memorie atomică
• Rețea de distribuție a ceasului pe 8 cm de fibră
• Benchmark 10 Gops

- Modul de memorie cu 16 qubit
- Test de latență totală
- Patent filing pentru OPLL‑distributed clock

IV – Prototip complet (36‑48 luni)

12 luni

• 1 cm² OQPU cu 1024 porţi
• Interfață cu CPU (PCIe‑Gen5)
• Test de aplicație (FFT, algoritmi de optimizare)

- Demo “Optical‑Quantum accelerator”
- Raport de performanță (ops/s, consum)
- Plan comercial/parteneriate

Sănătate

Detectarea timpurie a poluanților (PM2.5, CO₂, VOC) și alertarea ocupanţilor.

Confort

Reglarea automată a HVAC, iluminat și ventilație pe baza condiţiilor reale.

Eficienţă energetică

Reducerea consumului prin optimizarea funcţiilor de climatizare/iluminat.

Sustenabilitate

Raportare de mediu în timp real pentru certificări LEED, BREEAM etc.

Siguranţă

Detectarea scurgerilor de gaz, niveluri periculoase de CO, incendii.

Decizii bazate pe date

Dashboard analytic și rapoarte periodice pentru managerii de facilităţi.

F1

Colectarea continuă a datelor de la senzori (temperatură, umiditate, CO₂, PM2.5, VOC, zgomot, lumină, radiație UV, nivel apă, consum electric).

F2

Transmiterea datelor prin rețea LoRaWAN / NB‑IoT / Wi‑Fi către gateway‑uri.

F3

Stocarea datelor în timp real în bază de date scalabilă (TimescaleDB / InfluxDB).

F4

Procesarea fluxului de date (filtrare, agregare, detectare anomalii).

F5

Generarea de alerte (push, email, SMS) în caz de depășire a pragurilor.

F6

Dashboard web responsive + aplicație mobilă pentru vizualizare în timp real și istoric.

F7

API RESTful și GraphQL pentru integrarea cu sisteme terțe (BMS, ERP, platforme Smart‑City).

F8

Control bidirecțional asupra actuatorilor (ventilație, stropitoare, ventilatoare, electrovalve).

F9

Raportare periodică (PDF/Excel) și export de date (CSV, JSON).

F10

Management de utilizatori și roluri (admin, operator, auditor).

F11

Criptare end‑to‑end a datelor în tranzit și în repaus.

F12

Firmware‑over‑the‑air (FOTA) pentru actualizări la distanță ale senzorilor.

Scalabilitate

Suport pentru > 10 000 de noduri și 1 M de măsurători/s pe sistem.

Disponibilitate

SLA 99,9 % (redundanță la nivel de gateway și server).

Performanţă

Latency < 2 s pentru alertare critică.

Securitate

TLS 1.3, JWT pentru API, autentificare 2FA, audit log.

Portabilitate

Docker‑Compose / Kubernetes (AKS/EKS/GKE) pentru backend.

Consum energetic

Senzori cu consum < 150 µA în modul deep‑sleep; baterii Li‑Po 1500 mAh cu autonomie > 2 ani.

Uşurinţă în instalare

Kit modular: senzor + suport magnetic + cablu PoE/ alimentare solară.

Conformitate

GDPR, ISO 27001, IEC 60730 (siguranţă electrică).

Senzori

BME280 (T/H), SCD30 (CO₂), PMS5003 (PM2.5), CCS811 (VOC), MEMS‑MIC (zgomot), LTR-303 (luminozitate), UV‑sensor, DS18B20 (temp exterioară)

Captură de date fizice

Gateway

Raspberry Pi 4 + HAT LoRa, sau Arduino MKR‑WAN 1300; software: Mosquitto (MQTT) + Telegraf

Agregare și forward către broker

Broker MQTT

EMQX (cluster)

Transport ușor, QoS 1/2, retenție

Ingestion Service

Go (goroutine + protobuf)

Validare, deduplicare, scriere în TSDB

Stream Processing

Kafka + ksqlDB

Agregare pe intervale (1 min, 15 min), detectare anomalii (z‑score)

TSDB

TimescaleDB (PostgreSQL)

Stocare optimizată pentru serii temporale

Alert Engine

Python (pandas, scikit‑learn) + Prometheus Alertmanager

Reguli de alertare, ML pentru trenduri

API Gateway

NGINX + OPA (Open Policy Agent)

Rate‑limiting, authz

Auth Service

Keycloak

OAuth2 / OIDC, SSO, 2FA

Backend

Node.js + TypeScript, GraphQL (Apollo)

Business logic, CRUD, export CSV/Excel

Frontend

React + Material‑UI, Chart.js, Leaflet (hărţi)

Dashboard web

Mobile

Flutter (iOS/Android)

Notificări push (FCM/APNs)

Reporting

Metabase + Superset

Rapoarte ad‑hoc și programate

CI/CD

GitHub Actions + ArgoCD (K8s)

Build, test, FOTA, rollout

0 – Pregătire

2 săptămâni

Repo Git, doc de arhitectură, schelet CI/CD

1 – Prototip hardware

3 săptămâni

PCB senzori, firmware C (FreeRTOS), test în laborator

2 – Gateway & MQTT

3 săptămâni

Configurare EMQX cluster, script de bootstrap, test cu 100 noduri

3 – Ingestion & TSDB

4 săptămâni

Service Go, schema Timescale, load test 10 k pts/s

4 – Stream & Alert

4 săptămâni

Kafka + ksqlDB pipelines, reguli de alert (CO₂ > 1000 ppm, PM2.5 > 35 µg/m³)

5 – API & Auth

3 săptămâni

GraphQL, Keycloak realm, token validation

6 – Frontend MVP

5 săptămâni

Dashboard cu grafice în timp real, hărţi, panou administrare

7 – Mobile App

4 săptămâni

Flutter UI, push notifications, offline cache

8 – Actuare bidirecțională

3 săptămâni

API pentru control ventilație, test cu ventilatoare DC

9 – Securitate & GDPR

3 săptămâni

TLS everywhere, audit log, anonimizare date personale

10 – FOTA & Management

3 săptămâni

Server OTA (Mender), upgrade firmware la 500 noduri simultan

11 – Teste de acceptare & Scalabilitate

4 săptămâni

Teste de stres (100 k noduri simulare), plan DR, backup

12 – Lansare pilot & Training

4 săptămâni

Deploy în campus universitar (≈ 200 m²), training utilizatori, documentație finală

Senzor complet (PCB + carcasă)

200

12

2 400

Gateway Edge (Raspberry Pi + HAT LoRa)

4

85

340

Server/Cloud (K8s, 3 noduri)

3 VM (t2.medium)

45/mo

540 (12 luni)

Licenţe software (Keycloak, EMQX Enterprise)

1

1 200/an

1 200

Cablare, accesorii, alimentare solară

–

800

800

Dezvoltare (salarii 4 dev + 1 QA 6 luni)

–

120 000

120 000

Consultanță securitate & GDPR

–

15 000

15 000

Testare & certificare IEC

–

8 000

8 000

Contingent 10 %

–

–

15 720

TOTAL

≈ 159 900 EUR

Dependență de rețea LoRaWAN

Medie

Ridicat

Gateway‑redundant, fallback Wi‑Fi

Scădere a bateriilor senzor

Mare

Mediu

Monitorizare baterie, alertă de înlocuire, alimentare solară

Atacuri DDoS pe broker MQTT

Mică

Ridicat

Rate‑limit, firewall, CDN Edge

Neconformitate GDPR

Mică

Ridicat

Data‑mapping, anonimizare, consimțământ utilizator

Întârziere la FOTA

Medie

Mediu

Rollback automat, testare în sandbox

Incompatibilitate hardware cu medii extreme

Mică

Mediu

Carcasă IP68, certificare IEC 60730

Unit

Funcţii de parsare protobuf, calcule medii

Jest (JS), Go test

Integration

Flux complet: senzor → gateway → broker → TSDB

Testcontainers, k6

Performance

10 k pts/s, 1 M puncte/zi, latency < 2 s

Locust, Grafana Loki

Security

Pen‑test TLS, JWT, OPA policies

OWASP ZAP, Nmap, Burp Suite

UAT

Dashboard, alerte, control actuatori

Scripturi Cypress, feedback utilizatori

Recovery

Failover gateway, backup DB restore 5 min

Chaos Monkey, pgBackRest