CV EN
Engenharia de Computação @ UFRGS

Rafael Silva de Souza

Aceleração de Hardware, HPC & Finanças Quantitativas

Trabalho para que redes neurais custem menos para rodar em hardware real, de CNNs em FPGAs a LLMs em várias GPUs, e construo pipelines de dados de mercado e pesquisa de portfólio com ML para ações do Brasil e dos EUA.

Aberto aEngenharia de ML & Pesquisa em IA · Pesquisa Quantitativa · HPC

Rafael Silva de Souza

Trabalho atual

Fronteira de Pareto da acurácia top-1 em função do tamanho do modelo, para todas as CNNs estudadas e níveis de quantização, de FP32 a binário Pesquisa · UFRGS · desde 2026

Alternar kernels 3×3 e 2×2: 24% menos MACs, sem perda mensurável de acurácia

Estudo de tamanho de kernel com 152 execuções no Tiny ImageNet, além de detecção e segmentação no PASCAL VOC · FP32 → QAT → INT8 · roda no PCAD (Slurm)

Estudo de tamanho de kernel para hardware Winograd ↗

Redes neurais conscientes de hardware: como restringir os kernels de CNNs aos tamanhos 2×2 e 3×3, que o hardware Winograd trata bem, afeta acurácia, eficiência e quantização INT8. Orientação do Prof. Mateus Grellert, do Grupo de Microeletrônica da UFRGS.

Contribuição & aprendizados

Como contribuoConduzo o estudo de tamanho de kernel de ponta a ponta no PCAD, o cluster de HPC da UFRGS, via Slurm: 152 execuções no estudo principal, além de rodadas de robustez e de híbridos no Tiny ImageNet e no PASCAL VOC, cada uma treinada em FP32, depois com quantização no treino (QAT) e por fim convertida para INT8.

O que estou aprendendoMedir o ruído entre sementes antes de confiar numa diferença: entre dois treinos únicos, só a semente já move a diferença em 0,7 a 1 ponto, então o que fica dentro dessa faixa é empate, e a melhor de 24 configurações precisou ser repetida com mais duas sementes antes de eu confiar nela. Além da parte técnica: manter organizado e reproduzível um estudo de 152 execuções e apresentar os resultados ao meu orientador com os seus limites, e não só as boas notícias.

WINOGRAD F(m,3), UM TILEtile de entrada dfiltro 3×3 gU = BT d Btransformada da entradaV = G g GTtransformada do filtroM = U ⊙ VDSP48E2: quatro produtos por DSP em 4 bitsY = AT M Atile de saída, depois bias · ReLU · max-pool Colaboração de pesquisa · UFRGS · desde 2026

Winograd em 4 bits em FPGA: quatro produtos por DSP, 1,98× o throughput da versão de 8 bits

3.379 GOPS na VGG16 com 1.024 DSPs (ZCU104) · a rede de 4 bits que treinei: 68,51% de top-1 no ImageNet, 3,08 pontos abaixo do ponto flutuante

Aceleradores Winograd em FPGA — com Thomas Schmitz ↗

Aceleradores em Verilog para convolução 3×3 pelo algoritmo de Winograd (F(2,3), F(4,3), F(6,3); INT8 e 4 bits), projetados pelo meu colega de laboratório Thomas Schmitz; eu cuido do lado das redes e da acurácia. Coautor de um artigo convidado para o IEEE OJCAS, extensão do artigo do Thomas no SBCCI 2026 (em preparação), e de um artigo no ISCAS em avaliação.

Contribuição & aprendizados

Como contribuoAvalio as linhas de aceleradores do Thomas em 16 redes adaptadas para kernels 3×3 numa AMD Alveo U200: ciclos por simulação do netlist, Fmax e potência pelo Vivado e acurácia sob a aritmética do próprio acelerador. Para o artigo do OJCAS, treinei a rede de 4 bits direto no domínio de Winograd (escalas por filtro, três sementes), levei-a para o RTL com bias e revisei os números e o texto do artigo.

O que estou aprendendoGanho aritmético é um teto, não throughput: tiles maiores exigem dados mais largos e um timing mais difícil de fechar, e números de hardware só valem quando batem bit a bit com uma referência em software. Trabalhar no projeto de outra pessoa me ensinou a melhorá-lo sem mexer nele: medir pelo gate de testes dele, relatar o que quebra e deixar a decisão com quem projetou.

DADOS (B3, POINT-IN-TIME)preçosfilings CVMdeslistadasmacrodataset de ML point-in-timedatas de divulgação, sem lookahead, sem viés de sobrevivênciaalfa LightGBMmodelo de riscootimizadorcom custosbacktest walk-forwardvs BOVA11 · equal-weight · 100% CDI
Projeto individual · desde 2025

Dados point-in-time da B3 e de ~9.600 ações dos EUA, sem lookahead nem viés de sobrevivência

B3 desde 2000, com empresas deslistadas · EUA: 34 milhões de linhas de preços, fundamentos do SEC EDGAR desde os anos 1990, macro do FRED · pesquisa de portfólio com LightGBM em andamento

Finanças Quantitativas ↗

Pesquisa em machine learning para gestão de portfólio no mercado de ações brasileiro (B3): um pipeline de dados point-in-time e um estudo de construção de portfólio com LightGBM sob backtest walk-forward, agora com expansão para ações dos EUA.

Contribuição & aprendizados

Como contribuoConstruí todo o pipeline: preços, fundamentos da CVM com as datas reais de divulgação, empresas deslistadas para evitar viés de sobrevivência e dados macro; depois, um modelo de alfa com LightGBM, um modelo de risco e um otimizador que considera custos. Na expansão para os EUA, já coletei preços de ~9.600 tickers (34 milhões de linhas), fundamentos do SEC EDGAR desde os anos 1990 e dados macro do FRED.

O que estou aprendendoUma configuração escolhida entre muitos backtests vale pouco até ser corrigida para testes múltiplos (um teste de Sharpe deflacionado me mostrou isso), e viés de sobrevivência e datas de divulgação importam tanto quanto o modelo. Tocar sozinho um projeto longo me ensinou autogestão: definir minhas próprias metas, mudar uma variável por experimento e ser meu próprio revisor, para que nenhuma camada entre antes de a de baixo superar seu baseline.

Trajetória

Sou estudante de graduação em Engenharia de Computação na UFRGS, uma das universidades mais prestigiadas do Brasil, considerada a melhor universidade federal do país pelo MEC em 2022. Antes, estudei Engenharia Elétrica na UFSC. Trabalho na interseção entre hardware e aprendizado de máquina: minha pesquisa atual torna redes neurais mais adequadas a aceleradores de hardware. Devo grande parte deste trabalho ao meu orientador, o Prof. Mateus Grellert, cuja orientação moldou a forma como faço pesquisa.

Fora do laboratório, construo dados de mercado point-in-time e pesquisa de portfólio com ML para ações da B3 e dos EUA.

Na UFSC, construí um scanner 3D a laser para um projeto de ROV de inspeção submarina e participei da equipe da Shell Eco-marathon. Desde então, liderei uma equipe de três no Desafio IBM SkillsBuild, desenvolvi uma previsão de queimadas no NASA Space Apps e, fora da engenharia, participei do UFRGSMUN, negociando propostas e conciliando posições divergentes.

Rafael falando durante um debate

Experiência

A linha do laser sobre uma mão, vista pela câmera, ao lado da nuvem de pontos 3D reconstruída a partir dela LABMETRO · UFSC · 2025 · Visão + sistemas embarcados

Scanner 3D a laser de baixo custo para inspeção submarina, do hardware à nuvem de pontos

Câmera, laser e espelho rotativo com encoder (Arduino) · extração subpixel da linha laser · modelo de profundidade com gradient boosting · ROV financiado pela FINEP na UFSC

Projeto VORIS ↗

O VORIS (Veículo Operado Remotamente para Inspeção Submarina) é um projeto financiado pela FINEP no Laboratório de Metrologia e Automatização da UFSC (LABMETRO), com a Petrobras como interessada: um ROV com sistemas ópticos de medição 3D para estruturas submersas. Na minha iniciação científica, trabalhando com o Prof. Diego Fabre, construí e avaliei sua bancada de triangulação a laser: uma câmera, um laser e um espelho rotativo que varrem a cena e a transformam em uma nuvem de pontos 3D.

Contribuição & aprendizados

Como contribuíConstruí o sistema de ponta a ponta: o hardware (um Arduino Uno R4 acionando um espelho com motor de passo lido por um encoder absoluto, controle do laser por PWM e captura de imagens sincronizada com o ângulo de varredura), a extração subpixel da linha laser por centroide ponderado pela intensidade (muito menos ruído que a limiarização), o modelo geométrico de triangulação (normalização da câmera, geometria câmera–laser e correção do ângulo do espelho), um modelo de regressão com gradient boosting treinado em varreduras rotuladas para corrigir erros sistemáticos de profundidade e uma interface gráfica para operar tudo.

O que aprendiUm modelo vale o que vale a sua calibração: a geometria foi precisa no centro do campo de visão, mas pequenos erros de calibração e do ângulo do laser cresceram em direção às bordas. Aprender esses erros a partir dos dados reduziu os artefatos ali, mas só até onde os dados de treino alcançavam, o que aponta para um modelo híbrido com a geometria como base. Trabalhar no LABMETRO também me colocou, como estudante de Engenharia Elétrica, num laboratório da Engenharia Mecânica, ao lado de metrologistas e pesquisadores de visão computacional e em contato com professores de especialidades diferentes: aprendi a explicar meu subsistema nos termos de cada um, a transformar as críticas deles em melhorias na bancada e a cumprir o cronograma de um projeto financiado.

Render 3D do protótipo 2023 da E3 UFSC para a Shell Eco-marathon Equipe de competição · 2025 · Engenharia + marketing

Compósitos de fibra de carbono num protótipo ultraeficiente, e o marketing da equipe

Equipe da Shell Eco-marathon · protótipos a gasolina e elétricos · visita técnica à Nanopoxy (resinas epóxi)

E3 UFSC — Equipe Shell Eco-marathon ↗

A E3 (Equipe UFSC de Eficiência Energética) projeta, constrói e valida protótipos ultraeficientes a gasolina e elétricos para a Shell Eco-marathon. Entrei em 2025 e trabalhei na engenharia do carro e no marketing da equipe.

Contribuição & aprendizados

Como contribuíTrabalhei principalmente na parte de engenharia do carro, incluindo trabalho prático com compósitos de fibra de carbono; participei de uma visita técnica à Nanopoxy, fabricante de resinas epóxi para compósitos — a mesma família de materiais usada no carro; e fiz o marketing da equipe, além de organizar a área de marketing.

O que aprendiComo fibra de carbono e resina epóxi se combinam em peças leves e rígidas e, na Nanopoxy, o que há por trás das próprias resinas. Organizar a área de marketing significou dividir tarefas entre colegas, definir prazos e cobrar a execução; fazer isso junto com a engenharia me obrigou a priorizar e a explicar o lado técnico do carro em termos que quem não é da engenharia entendesse.

Projetos

Mapa do LUNAX com os lugares de Rondônia que queimaram ano após ano, 2012–2025 Hackathon · 2026 · NASA Space Apps

Prevê onde o Brasil vai queimar na próxima temporada, célula por célula

NASA FIRMS, MODIS + VIIRS unificados (2000–2026) · um modelo de razão simples venceu o desafiante de ML · certificado de participação

LUNAX Fire Calendar ↗

Um app web que une as detecções de fogo do NASA FIRMS dos dois sensores de satélite em uma série consistente e a transforma em um calendário mensal de queimadas, com piloto em Rondônia e expansão para todos os estados do Brasil.

Contribuição & aprendizados

Como contribuíFui um dos dois principais desenvolvedores (67 commits). Construí as visões de temporada de fogo e “comparado com o usual”, a previsão da próxima temporada com chance de fogo por célula, o piloto nacional com malhas do IBGE e as ferramentas de campo (link compartilhável, “onde agir primeiro”, envio de área própria). Também testei um modelo de ML como desafiante, que não superou o método de razão mais simples, e escrevi os testes do pipeline.

O que aprendiDados de satélite precisam ser conciliados entre sensores antes de qualquer análise fazer sentido, e um baseline simples e explicável pode vencer o ML; relatar isso com honestidade faz parte do resultado. O hackathon me ensinou a programar sob pressão: cortar escopo cedo, entregar primeiro o essencial, dividir o trabalho com clareza com o outro desenvolvedor principal, revisar o código um do outro rápido e manter testes para que a pressa não quebre o que já funciona.

Mapa do painel do Conecta+ com os municípios do Brasil agrupados por prioridade Protótipo online · liderei a equipe de 3

Plano de conectividade ótimo dentro do orçamento para os 5.570 municípios do Brasil

VPL, payback e otimização de portfólio · explicações do IBM Granite conferidas contra os números · 230 testes automatizados

Conecta+ — IBM SkillsBuild ↗

Sistema de apoio à decisão para o Desafio IBM SkillsBuild & Fundação Telefônica Vivo: prioriza municípios para expansão de conectividade com dados públicos (Anatel, IBGE, INEP), análise financeira, otimização de portfólio e um agente IBM Granite que explica cada recomendação.

Contribuição & aprendizados

Como contribuíLiderei a equipe de três que criou o projeto e fui responsável pelo motor de decisão: os scores de prioridade dos municípios, as distâncias ao backhaul, a ferramenta financeira (payback, VPL, sensibilidade), a otimização de portfólio com PuLP/CBC (IBM CPLEX opcional) e um backtest 2021→2025. Também liderei a integração: o backend em FastAPI, a conferência dos números dos textos do Granite contra o motor, a CI e o deploy.

O que aprendiA transformar uma pergunta de negócio em um modelo de otimização com restrições reais de orçamento, e por que a saída de um LLM precisa ser conferida contra os dados. Liderando, aprendi a dividir o trabalho conforme o que cada um dominava, a fechar cedo interfaces e dados simulados para que dados, motor e interface avançassem em paralelo e a tomar as decisões finais quando as partes precisavam se encaixar antes do prazo.

Gráfico de throughput de tokens de saída por concorrência, para execuções em uma GPU, com pipeline parallelism e com tensor parallelism Benchmark concluído · equipe de 3

Entre nós, o tensor parallelism gastou até 97% do tempo de GPU em comunicação

Qwen2.5-7B em 1 a 4 GPUs · vLLM + Ray no PCAD, o cluster de HPC da UFRGS · conclusão: se o modelo cabe em uma GPU, não o divida

vLLM Parallelism Benchmark ↗

Trabalho da disciplina de Avaliação de Desempenho da UFRGS: avalia Tensor e Pipeline Parallelism na inferência de LLM (vLLM e Ray) no PCAD, o cluster de HPC da UFRGS.

Contribuição & aprendizados

Como contribuíFiquei com a parte de GPU e de rede da análise: telemetria de GPU (utilização, consumo de energia), medições de rede, os notebooks de análise estatística e os gráficos, os scripts de execução e os slides finais.

O que aprendiA planejar um experimento de desempenho com fatores e repetições, e como tensor e pipeline parallelism deslocam o gargalo entre computação e comunicação. Ser responsável por uma parte de um estudo em equipe me ensinou a combinar o plano antes de começar, a entregar dados que os outros pudessem usar direto e a planejar as execuções em torno da fila de um cluster de HPC compartilhado.

ARQUIVOS DE ENTRADAPDFDOCXTXTXMLáudioextração de textoáudio transcrito offline com Voskembeddingsde frasesclustersKMeanspalavras-chaveYAKEprévia (dry-run)pastas nomeadas por palavra-chave, antes de mover arquivos Protótipo concluído · individual

Organiza uma pasta bagunçada pelo significado, não pelo nome do arquivo

Embeddings de frases + KMeans · YAKE nomeia cada pasta · prévia (dry-run) antes de mover qualquer arquivo

File Organizer ↗

Organizador de documentos com IA que usa embeddings de frases, extração de palavras-chave e clustering (KMeans) para agrupar arquivos por similaridade semântica.

Contribuição & aprendizados

Como contribuíDesenvolvi sozinho: extração de texto de PDF, DOCX, TXT e XML, transcrição de áudio offline com Vosk, embeddings de frases com KMeans, palavras-chave YAKE para nomear cada pasta e uma prévia (dry-run) antes de mover qualquer arquivo.

O que aprendiA aplicar NLP a arquivos reais e bagunçados, e que clusters não supervisionados só são úteis com rótulos legíveis. Construí-lo sozinho me ensinou a reduzir o escopo primeiro a um protótipo que funcione e a projetar pensando na confiança do usuário: uma ferramenta que move arquivos deve sempre mostrar uma prévia.

Tela de previsão de formatura adicionada ao app PAM UFRGS: um plano semestre a semestre das disciplinas restantes Contribuição open source

Assistente de IA e previsão de formatura para estudantes da UFRGS

Pull request não mergeado (repositório original sem manutenção) · Vue · endpoint de IA com rate limit · testes com Vitest

PAM UFRGS ↗

Pull request para um app open source de apoio à matrícula da UFRGS, com funcionalidades que senti falta usando o app como aluno.

Contribuição & aprendizados

Como contribuíAdicionei um assistente de IA para dúvidas sobre disciplinas e horários (restrito ao curso selecionado, com CORS/CSP e rate limit para produção), uma previsão de formatura com exportação em PDF, exportação do horário em .ics com comparação lado a lado, e configurei o Vitest com testes para os serviços principais.

O que aprendiA contribuir com o código de outra pessoa: seguir suas convenções, manter o pull request focado e explicar por que cada mudança importa para que o mantenedor possa revisá-lo rápido; e a escrever testes para código que não escrevi.

Quadro do jogo Breakout em andamento: um anel de tijolos verdes, a bola, a plataforma e power-ups caindo Projeto de disciplina · Algoritmos e Programação (INF01202) · dupla

Um jogo arcade completo em C, com memória e arquivos gerenciados à mão

32 de 38 commits meus · Raylib · saves binários com ranking

Breakout ↗

Um Brick Breaker arcade desenvolvido em C com Raylib: movimentação por teclado, detecção de colisões, vidas, pontuação, power-ups e múltiplas fases carregadas de arquivos.

Contribuição & aprendizados

Como contribuíEscrevi a maior parte do código (32 de 38 commits): estados modulares do jogo, colisões, power-ups, fases carregadas de arquivos, saves binários com ranking, áudio e o HUD.

O que aprendiA estruturar um programa em C em módulos e a lidar com memória e arquivos manualmente. Trabalhar em dupla me ensinou a dividir o jogo em módulos que cada um pudesse assumir, a combinar as interfaces entre eles e a usar o Git para manter nosso trabalho sincronizado.

Atividades

Rafael, atrás da placa de Israel, respondendo à entrevista especial da imprensa no UFRGSMUN 2026
Simulação da ONU · 2026 · em inglês

Negociei políticas de combate ao terrorismo e cibersegurança; escolhido pela imprensa para uma entrevista especial

Escritório da ONU de Combate ao Terrorismo · terrorismo no Sahel e ciberterrorismo · um dos quatro delegados entrevistados diante de toda a conferência

UFRGSMUN 2026 — Delegado de Israel, UNOCT ↗

A simulação da ONU da UFRGS. Como delegado de Israel no Escritório da ONU de Combate ao Terrorismo (UNOCT), debati terrorismo no Sahel e ciberterrorismo em inglês, negociando com delegações cujas posições muitas vezes eram distantes da minha.

Contribuição & aprendizados
O comitê do UNOCT no UFRGSMUN 2026, cada delegado com a placa de um país; Rafael segura a de Israel, na fileira de trás

Como contribuíPara me preparar, acompanhei de perto o noticiário sobre ciberterrorismo, cibersegurança e o Sahel. No comitê, representei Israel e, nas negociações informais (caucuses), negociei com outras delegações a redação das medidas de combate ao terrorismo, cedendo onde custava pouco e mantendo firmes os pontos dos quais Israel não podia abrir mão. A imprensa me escolheu como um dos quatro delegados para uma entrevista especial diante de todos os participantes, na qual defendi a posição da minha delegação e respondi a uma pergunta crítica dos jornalistas.

O que aprendiOs acordos saíram de entender por que cada delegação defendia sua posição, não de repetir a minha. Aprendi a trabalhar com delegações de visões muito distantes da de Israel, a negociar redações que vários lados aceitassem, a formar um bloco em torno de um texto comum e a defender uma posição difícil em público, em inglês, sem perder a precisão. A preparação também virou hábito: acompanho cibersegurança e geopolítica no dia a dia, de novos ataques e vulnerabilidades a conflitos regionais e aos debates de segurança em torno deles, porque um argumento só se sustenta quando reflete o cenário atual.

Habilidades & contato

Habilidades
Sistemas & Aceleração
  • C
  • C++
  • CUDA
  • FPGA (Vivado)
  • vLLM
  • Ray
  • Slurm (cluster PCAD)
ML & Dados
  • Python
  • PyTorch
  • Quantização (QAT/INT8)
  • Deep Learning
  • Aprendizado por Reforço
  • LightGBM
  • Visão Computacional
  • NLP
Engenharia de Software
  • FastAPI
  • Vue
  • React
  • TypeScript
  • JavaScript
  • Node.js
  • Express
  • Tailwind CSS
  • Firebase
  • Docker
  • Git
Idiomas
  • Português (Nativo)
  • Inglês (Fluente)
  • Francês (Proficiente)
  • Espanhol (Proficiente)
Entre em contato

Vamos conversar.

Aberto aEngenharia de ML & Pesquisa em IA · Pesquisa Quantitativa · HPC

Mora emPorto Alegre, Brasil