Graph-based machine learning for efficient signal processing algorithms (GLEAM)

Die heutige digitale Gesellschaft nutzt globale Konnektivität, um von technologischen Innovationen zu profitieren. Ermöglicht wird dies durch Kommunikationsnetze, die digitale Signalverarbeitung (DSP) als grundlegende Methodik für eine effiziente und zuverlässige Datenübertragung einsetzen.

Klassische DSP benötigt umfassendes Wissen über physikalische Prozesse und ist für einfache lineare Dynamik konzipiert. Moderne DSP-Methoden nutzen Maschinelles Lernen und neuronale Netze, die wenig Modellwissen benötigen, aber rechenintensiv und datenineffizient sind. Viele Kommunikationssysteme sind nichtlinear und erfordern komplexitätsarme Lösungen.

Das Forschungsprojekt von Dr. Boris Karanov zielt darauf ab, DSP für nichtlineare Systeme durch Domänenwissen und Maschinelles Lernen zu optimieren. Das Projekt ist interdisziplinär und umfasst Algorithmenentwicklung, experimentelle Demonstration und Hardware-Implementierung mit Anwendungen in Glasfaser- und Lichtkommunikationssystemen. Die neuen Algorithmen sollen dabei allgemein und auf verschiedene Probleme anwendbar sein wie z.B. die Sprach- und Audioverarbeitung, so dass sie sowohl von der Wissenschaft als auch von der Industrie übernommen werden können.