Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Flexible Lightweight AI-Aided Receivers

Projektbeschreibung

Neuer Vorsprung für drahtlose KI

Drahtlose Kommunikationssysteme stehen vor immer größeren Schwierigkeiten, da sie mehr Daten in dynamischen Umgebungen verarbeiten müssen. Herkömmliche Methoden zum Entwurf von Empfängern können mit den schnellen Veränderungen in drahtlosen Kanälen nur schwer Schritt halten. Hinzu kommt, dass die Geräte nur über eine begrenzte Leistung und Rechenressourcen verfügen, wodurch es schwierig ist, große Datenmengen zu verarbeiten. Die derzeitigen KI-Lösungen, die auf massiven, vortrainierten Netzwerken beruhen, sind für diese Bedingungen kaum geeignet. Ziel des ERC-finanzierten Projekts FLAIR ist es daher, diese Probleme zu lösen, indem eine neue, flexible Form der KI speziell für die drahtlose Kommunikation entwickelt wird. Es konzentriert sich auf leichte Empfängerdesigns, kontinuierliches Lernen und effiziente Datennutzung und bietet einen anpassungsfähigeren und ressourcenschonenden Ansatz.

Ziel

Artificial intelligence (AI) is envisioned to play a key role in future wireless technologies, with deep neural networks (DNNs) enabling digital receivers to learn to operate in challenging communication scenarios. However, wireless receiver design poses unique challenges that fundamentally differ from those encountered in traditional deep learning domains. The main challenges arise from the dynamic nature of wireless communications, which causes continual changes to the data distribution, combined with the limited power and computational resources of wireless devices. These challenges impair conventional AI based on offline trained massive DNNs. Our ambitious goal is to introduce a new form of flexible lightweight AI that is particularly tailored for wireless communications. Our approach is based on a holistically revisiting the three fundamental pillars of AI – the architecture, dictating the family of learned mappings; the training algorithm that tunes the architecture; and the data based on which learning is carried out. Accordingly, we focus on three objectives – 1) design trainable receiver architectures that are lightweight and support adaptation to rapid channel variations; 2) establish a new learning paradigm that deviates from conventional training, and is based on viewing continual learning as a dynamic system; and 3) propose techniques to accumulate online data sets that are sufficiently informative for learning purposes while being small enough not to induce notable complexity in training. This is a fundamental depart from conventional deep learning, based on highly-parameterized DNNs trained with massive data sets using lengthy learning procedures. Our preliminary data show that this paradigm shift achieves substantial performance, robustness, and complexity gains over conventional deep receivers. The project will transform how communications systems are studied, and profoundly impact a multitude of applications that rely on wireless communications.

Wissenschaftliches Gebiet (EuroSciVoc)

Dieses Projekt wurde noch nicht bei EuroSciVoc klassifiziert.
Schlagen Sie die Wissenschaftsbereiche vor, die Ihrer Einschätzung nach besonders relevant sind, und helfen Sie uns, unseren Klassifizierungsdienst zu verbessern.

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2024-STG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

BEN-GURION UNIVERSITY OF THE NEGEV
Netto-EU-Beitrag
€ 1 500 000,00
Gesamtkosten
€ 1 500 000,00

Begünstigte (1)