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
Trabalho atual
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)
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.
Python
Deep Learning
Quantização
HPC
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 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.
FPGA
Vivado
Winograd
Quantização
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
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.
Python
LightGBM
Validação Walk-Forward
Otimização de Portfólio
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.
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
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.
Visão Computacional
Sistemas Embarcados
Reconstrução 3D
Aprendizado de Máquina
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)
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.
Engenharia
Compósitos de Fibra de Carbono
Marketing
Trabalho em Equipe
Projetos
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
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.
Python
JavaScript
NASA FIRMS
Geoespacial
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
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.
Python
FastAPI
Otimização
IBM watsonx
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
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.
Python
vLLM
HPC
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
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.
Python
NLP
Clustering
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
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.
Vue
Vitest
Open Source
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
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.
C
Raylib
Sistemas de Jogo
Atividades
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
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
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.
Diplomacia
Negociação
Oratória
Cibersegurança
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