Beschreibung des Workshops (F3-T2-II)
Machine Learning for Communications Engineering
Termin:
Dauer:
Teilnehmerzahl:
Anwendungsfeld:
Inhaltliche Einsatzmöglichkeiten:
Einordnung Anforderungsniveau:
Kurzbeschreibung
Leistungsfähige und energieeffiziente Kommunikationssysteme bilden die Basis für unsere moderne digitalisierte und vernetzte Welt. In diesem Workshop richten wir den Blick auf zukünftige Kommunikationssysteme und darauf wie solche Systeme von Methoden des Maschinellen Lernens profitieren können. Ausgehend von informationstheoretischen Fragestellungen, zeigen wir, wie Clusteringtools, insbesondere die Information Bottleneck Methode, verwendet werden können, um Komponenten der Basisbandsignalverarbeitung auf neuartige Weise zu entwerfen. Ein besonderer Fokus liegt hierbei auf der Berücksichtigung von praktischen Randbedingungen, wie Quantisierung, Energieverbrauch oder Latenz. Im zweiten Teil des Workshops erweitern wir das Blickfeld auf eine ganzheitliche Betrachtung von Basisband-Übertragungsstrecken. Statt der blockweisen Optimierung der Übertragungskette, versucht das End-To-End Learning mittels neuronaler Netzwerke Sender und Empfänger gleichzeitig anzupassen und für die jeweiligen Übertragungsbedingungen zu optimieren. Hierbei präsentieren wir den Einsatz von sogenannten Autoencodern. Neben theoretischen Grundlagen stellen wir in diesem Workshop verschiedene Autoencoderarchitekturen vor und zeigen Anwendungsfälle für verschiedene Standards und Kommunikationssysteme.
Institut für Nachrichtentechnik
Institut für Nachrichtentechnik
Literatur zum Thema
Cammerer S., Aoudia F. A., Dorner S., Stark M., Hoydis J., Ten Brink S., Trainable Communication Systems: Concepts and Prototype. In IEEE Transactions on Communications, Vol.68, No.9, Sep. 2020.
Stark M., Wang L., Bauch G., Wesel R.D., Decoding Rate-Compatible 5G-LDPC Codes With Coarse Quantization Using the Information Bottleneck Method. In IEEE Open Journal of the Communications Society, Vol.1, pp. 646-660, Apr. 2020.
Shah S. A. A., Stark M., Bauch G., Coarsely Quantized Decoding and Construction of Polar Codes Using the Information Bottleneck Method. MDPI Algorithms, Special Issue "Coding Theory and Its Application”, Vol.12, No.9, 192 pp., Sep. 2019.
Stark M., Lewandowsky J., Bauch G., Information-Bottleneck Decoding of High-Rate Irregular LDPC Codes for Optical Communication Using Message Alignment. MDPI Applied Sciences, Special Issue "DSP for Next Generation Fibre Communication Systems", Vol.8, No.10, Sep. 2018.
Stark M., Ait Aoudia F., Hoydis J., Neural information bottleneck decoding. IEEE International Conference on Signal Processing and Communication Systems (ICSPCS), Adelaide, Australia (virtual conference), Dec. 2020.
Ait Aoudia F., Cammerer S., Dorner S., Stark M., Hoydis J., Ten Brink S., Deep Learning of the Physical Layer for BICM Systems. IEEE Workshop on Signal Processing Systems (SiPS), Coimbra, Portugal, Oct. 2020.
Stark M., Ait Aoudia F., Hoydis J., Joint Learning of Geometric and Probabilistic Constellation Shaping. IEEE Global Communications Conference (GLOBECOM), Waikoloa, Hawaii, USA, Dec. 2019.
Stark M., Bauch G., Lewandowsky J., Saha S., Decoding of Non-Binary LDPC Codes using the Information Bottleneck Method. IEEE International Conference on Communications (ICC), Shanghai, China, May 2019.