Mohammad Saim Khan

Réalisation d’une évaluation rigoureuse des modèles à

l’aide de PyTorch et CUDA, en intégrant la MAE, la

précision et la vitesse d’inférence comme indicateurs clés

de performance.

Génération de plus de 100 000 hologrammes

synthétiques et entraînement de modèles FNO,

SpecBoost, CNN et UNet+ViT.

Évaluation des modèles à l’aide des métriques SSIM et

PSNR ; tests effectués sur 1 000 échantillons, avec

comparaison entre données réelles et synthétiques.

Conception de pipelines basés sur la physique pour

l’apprentissage auto-supervisé dans la reconstruction

d’images.

Analyse des performances à l’aide de PyTorch, CUDA et

de métriques physiques d’évaluation.

Collaboration avec un doctorant sur la conception des

modèles et l’analyse des performances ; rédaction d’un

rapport de stage documentant les résultats clés.

Conducted rigorous model benchmarking using PyTorch and CUDA, incorporating MAE, accuracy, and inference speed as key performance indicators Generated 100K+ synthetic holograms and trained FNO, SpecBoost, CNN, and UNet+ViT models. Evaluated models using SSIM and PSNR; tested on 1K samples with real and synthetic comparison. Built physics-informed pipelines for self-supervised learning in image reconstruction Benchmarked performance using PyTorch, CUDA, and physical evaluation metrics. Collaborated with PhD researcher on model design and performance analysis; preparing internship report documentingkeyfindings.