Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Flexible Lightweight AI-Aided Receivers

Opis projektu

Nowa droga do bezprzewodowej sztucznej inteligencji

Systemy łączności bezprzewodowej stawiają czoła coraz większym wyzwaniom, gdyż muszą obsługiwać coraz więcej danych w dynamicznych środowiskach. Konwencjonalne metody projektowania odbiorników z trudem nadążają za szybkimi zmianami w obszarze łączności. Same urządzenia dysponują ograniczoną mocą i zasobami obliczeniowymi, co utrudnia im przetwarzanie dużych ilości danych. Współczesne rozwiązania sztucznej inteligencji, które opierają się na ogromnych, wstępnie wytrenowanych sieciach, nie są dobrze przystosowane do działania w takich warunkach. Zespół finansowanego ze środków Europejskiej Rady ds. Badań Naukowych projektu FLAIR ma na celu rozwiązanie tych problemów poprzez stworzenie nowej, elastycznej formy sztucznej inteligencji zaprojektowanej z myślą o łączności bezprzewodowej. Zespół skupia się na projektach lekkich odbiorników, ciągłym uczeniu i efektywnym wykorzystaniu danych, opracowując bardziej elastyczne i zasobooszczędne podejście.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Projekt nie został jeszcze sklasyfikowany według klasyfikacji EuroSciVoc.
Wskaż dziedziny nauki, które twoim zdaniem są najbardziej istotne z punktu widzenia tego projektu i pomóż nam usprawnić naszą usługę klasyfikacji.

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2024-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

BEN-GURION UNIVERSITY OF THE NEGEV
Wkład UE netto
€ 1 500 000,00
Koszt całkowity
€ 1 500 000,00

Beneficjenci (1)