Sende-/Empfangssysteme basierend auf neuronalen Netzen, die nach dem Autoencoder-Prinzip über eine gesamte Ende-zu-Ende Verbindung eingelernt werden

• Antragsteller: Professor Dr.-Ing. Stephan ten Brink
• Fachliche Zuordnung: Elektronische Halbleiter, Bauelemente und Schaltungen, Integrierte Systeme, Sensorik, Theoretische Elektrotechnik
• Förderung: Förderung von 2018 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 402834551

Die Gebiete des maschinellen Lernens und, insbesondere, des tiefgehenden Lernens ("Deep Learning") haben in den letzten Jahren einen starken Innovationsschub erlebt; ihre Anwendungen reichen in fast jeden Bereich der industriellen und akademischen Forschung. Obgleich Forscher in der Vergangenheit bereits versucht haben, nachrichtentechnische Probleme mit maschinellem Lernen zu lösen, hatte es bisher keinen nennenswerte Einfluss darauf, wie wir heutzutage Kommunikationssysteme auslegen und implementieren. Auf den ersten Blick ist maschinelles Lernen kein besonders guter Ansatz für die Nachrichtentechnik auf der physikalischen Bitübertragungsebene, nach mehr als 50 Jahren großer Fortschritte basierend auf “klassischer” Signalverarbeitung, Kommunikations- und Informationstheorie, mit welchen man die theoretische Shannon-Grenze für viele Kanäle praktisch erreicht hat. Es bestehen jedoch noch einige offene Fragestellungen, etwa bezüglich der Adaptivität und der Komplexität von block-übergreifender Signalverarbeitung ("joint processing"), wo erste Ergebnisse mit maschinellem Lernen vielversprechend sind. Ein Ziel dieses Projektantrags ist es lernbare Ende-zu-Ende Kommunikationsverbindungen zu untersuchen, die auf dem Autoencoder-Konzept und tiefgehendem Lernen basieren. Damit besteht die Aussicht, Kommunikationssysteme zu entwickeln, die lernen können, über jede Art von Kanal zu kommunizieren, ohne vorherige detailierte mathematische Abstraktion des Kanalmodels. Zudem erlaubt ein solches System, Beschränkungen herkömmlicher block-basierter Signalverarbeitung aufzubrechen, weg von sorgfältig händisch optimierten Unterblöcken, hin zu adaptiver und flexibler Verarbeitung durch (künstliche) neuronale Netzwerke; damit ergeben sich vielen neue attraktive Forschungsfragen. Um ein besseres Verständnis des möglichen Potenzials maschinellen Lernens für die Nachrichtentechnik zu erhalten, starten wir als Ausgangspunkt mit den Methoden der klassischen Signalverarbeitung; dann betrachten wir neuronale Netze mit konventionellem block-basiertem Lernen (um z.B. Verarbeitungsblöcke der klassischen Modulation, Detektion oder Entzerrung zu ersetzen), um schließlich bei neuronalen Netzwerken anzukommen, welche auf Ende-zu-Ende Lernen durch einen Autoencoder basieren. Wir planen zudem die theoretischen und simulativ gewonnenen Einblicke durch tatsächliche Funkmessungen zu bestätigen, bei welchen viele weitere Effekte auf dem Kommunikationskanal auftreten, die in klassischen Modellen bisher nur unzureichend Einzug gefunden haben, und dadurch implizit gelernt werden können. Als mögliche Vorteile des Ansatzes über maschinelles Lernen erwarten wir flexiblere Hardware, adaptivere Systeme und eine insgesamt reduzierte Systemkomplexität. Wir stellen uns also die scheinbar naive, in Wahrheit aber recht anspruchsvolle und umso attraktivere Forschungsfrage: "Können wir lernen zu kommunizieren?"

• DFG-Verfahren: Sachbeihilfen