Possui Bacharelado em Física pela Universidade Federal de Minas Gerais (1990), mestrado em Ciências da Computação pela Universidade Federal de Minas Gerais (1994), Doutorado em Microeletrônica pela Universite Catholique de Louvain, Bélgica (1999) e Pós-doutorado na Universidade TU Delft, Holanda (2013). Professor do Departamento de Informática da Universidade Federal de Viçosa desde de 1992. Áreas de interesse: Java, Hardware Reconfigurável, Coarse-grained Reconfigurable Architectures (CGRA) e FPGA, Interconexões, Escalonamento, Posicionamento e Roteamento, Bioinformática, Grafos, Arquiteturas de Computadores, Sistemas de Alto Desempenho, Sistemas Embarcados, GPU.

Projetos

• Aceleradores para Redes Reguladoras de Genes - APQ-01203-18 - Demanda Universal 2018
• Algoritmos Dinâmicos para Mapeamento de Aplicações em Hardware Reconfigurável
• Monitoramento Dinâmico de Asserções para Depuração de Circuitos
• Redes Reguladoras de Genes com Topologia Livre de Escala utilizando Processamento Paralelo com Recursos Heterogêneos
• Computação de Alto Desempenho para Astrofísica utilizando Hardware Reconfigurável e Processamento de Vídeo
• Framework para Simulação de Arranjos de Unidades de Processamento Reconfiguráveis

Orientações em Andamento

• Dissertação de Mestrado:
Olavo Alves Barros Silva
Alysson Kelvim Caetano da Silva


• Tese de Doutorado:
Jeronimo Costa Penha


• Iniciação Científica:
Walter Bueno de Brito Neto
Caio Von Rondow Morais

Publicações Recentes

COSTA PENHA, JERONIMO et al. Gene regulatory accelerators on cloud FPGA. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. e7822, p. 1-22, 2023.

FAGUNDES'JUNIOR, LEONARDO et al. High-performance graphics processing unit-based strategy for tuning a unmanned aerial vehicle controller subject to time-delay constraints. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. e7767, p. 1-22, 2023..

FAGUNDES-JUNIOR, LEONARDO A. et al. Machine Learning for Unmanned Aerial Vehicles Navigation: An Overview. SN Computer Science, v. 5, p. 1-15, 2024.

LIMA, HELENA SANTIAGO et al. Machine learning-based soil quality assessment for enhancing environmental monitoring in iron ore mining-impacted ecosystems. JOURNAL OF ENVIRONMENTAL MANAGEMENT, v. 356, p. 120559, 2024.

OLIVEIRA, WESTERLEY C. et al. Heterogeneous reconfigurable architectures for machine learning dataflows. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. 35, p. e6939, 2022.

SILVA, L. B. et al. Fast Flow Cloud: A Stream Dataflow Framework for Cloud FPGA Accelerator Overlays at Runtime. CONCURRENCY AND COMPUTATION-PRACTICE & EXPERIENCE, v. 35, p. e6977, 2022.