Lead
Algorithmen für maschinelles Lernen (ML), bzw. künstliche Intelligenz, erleben seit kurzem eine Renaissance in verschiedensten Anwendungsgebieten. Obwohl die Kernidee, die dem menschlichen Gehirn nachempfunden ist, bereits seit vielen Jahrzehnten existiert werden solche Methoden erst seit kurzem in grossem Umfang eingesetzt da sie oft einen grossen Rechenaufwand erfordern. Insbesondere der einmalige Trainingsprozess ist dabei mit einem grossen Aufwand verbunden und erfordert eine grosse Menge an Daten. ML Methoden werden heute vor allem in der Bild- und Spracherkennung eingesetzt, sind aber im Prinzip auch für viele weitere Anwendungen und Probleme geeignet. Ein interessantes, neues Anwendungsgebiet für diese Art von Algorithmen ist die drahtlose Datenkommunikation.

Lay summary

Im Gegensatz zur Bild- und Sprachverarbeitung setzt die drahtlose Datenkommunikation fast ausschliesslich auf klassische Signalverarbeitung die auf klar formulierten Signalmodellen basiert die analytisch gut nachvollziehbar sind. In diesem Sinne erscheint der Einsatz von ML wie ein Wiederspruch oder sogar ein Rückschritt. Bedenkt man aber dass herkömmliche Kommunikationsmodelle oft stark vereinfacht sind und viele komplexe Zusammenhänge vernachlässigen, wird klar, dass neue Methoden, die stark vereinfachte Modelle ersetzen können grosse Leistungsgewinne versprechen.
Ziel dieses Projektes ist es den Einsatz von Methoden für maschinelles Lernen im Bereich der drahtlosen Datenkommunikation zu untersuchen. Da für viele Probleme bereits stark optimierte konventionelle Algorithmen existieren, ist es wichtig genau diejenigen Probleme zu identifizieren bei denen vereinfachte Signalmodelle die Performance begrenzen. Drei Bereiche sind dabei von besonderem Interesse: i) der Übergang von der Demodulation komplexer Symbole zur Dekodierung Fehler-korrigierender Codes, ii) die Unterdrückung von Selbstinterferenz in Full-Duplex Systemen, und iii) die Verwendung von Kommunikationssignalen um Rückschlüsse auf die Umgebung von Sender und Empfänger zu erhalten. Die Forschung in diesem Projekt beschäftigt sich dabei nicht ausschliesslich mit algorithmischen Aspekten, sondern bezieht auch Aspekte der Implementierung und Komplexität mit ein. Wir hoffen somit existierende Algorithmen durch einfachere und leistungsfähigere ML Methoden zu ersetzen und so die Effizienz der drahtlosen Kommunikation in vielen Bereichen zu verbessern.