Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

KI-Engineering für Nano-NetzwerkeModulbeschreibung #41045 / Version 4

← Zur Modulseite English version
Modul / Version#41045 / #4
GültigkeitSeit WiSe 2026/27
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rDressler, Falko
BenotungBenotet
PrüfungsformMündliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Telekommunikationssysteme
Fachgebiet34331200 FG Telekommunikationsnetze

Kontakt

SekretariatFT 5
Ansprechpartner*inDressler, Falko
E-Mail-Adresselehre@ccs-labs.org
Webseitehttps://www.tkn.tu-berlin.de/teaching/molcom/

Lernergebnisse

Nach Abschluss des Kurses sind die Teilnehmer in der Lage:
- die konstituierenden Elemente von Nanonetzwerken in molekularen Kommunikationskanälen zu beschreiben.
- theoretisches Wissen anzuwenden, um Nanonetzwerk-Funktionalitäten in der physikalischen Schicht und der Verbindungsschicht unter Verwendung von Molekülen als Informationsträger zu entwickeln.
- Deep-Neural-Network-Architekturen als innovative Lösungen für Nanonetwerke im Molekular-Kommunikations-Bereich zu untersuchen.
- Deep-Neural-Network-Module zu entwickeln, um Kommunikationsverbindungen innerhalb von Molekular-Kommunikations-Simulatoren zu optimieren.

Lehrinhalte

Dieser Kurs befasst sich mit der Entwicklung von Kommunikationstechniken und innovativen KI-basierten Technologien für den Entwurf von Netzwerken im Nanobereich. Der Kurs stellt Deep-Neural-Network-Architekturen (NN) vor, die für die anspruchsvollen Umgebungen von Molekular-Kommunikations-Kanälen (MC) geeignet sind.

In den Vorlesungen werden folgende Themen behandelt
- Relevante Aspekte der physikalischen und Verbindungsschichten von MC-basierten Nanonetzwerken, wie z. B. Kanalmodelle, Sender- und Empfängerarchitekturen, Synchronisation, Fehlerkorrekturcodes sowie Fluss- und Kanalzugriffskontrollmechanismen.
- Grundlegende Aspekte von DNNs und wichtige Architekturen für Nanonetzwerke, wie z. B. Feedforward-NNs, Recurrent NNs (RNNs), bidirektionale RNNs, Autoencoder und Reinforcement-Learning.

Die praktischen Übungen umfassen
- Simulatoren für den Betrieb von Nanonetzwerken in MC-Kanälen.
- Integration von NN-Modulen in den Betrieb von Nanonetzwerken in der physikalischen Schicht und der Verbindungsschicht.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
AI Engineering of NanonetworksIntegrierte Veranstaltung Sommersemester[en]4 ISIS

Arbeitsaufwand und Leistungspunkte

AI Engineering of Nanonetworks (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit155 h75 h
Prüfungsvorbereitung130 h30 h
Vor-/Nachbereitung155 h75 h
180 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Vorlesungen: Frontalunterricht mit interaktiven Diskussionen
Labs: Bearbeitung von MATLAB-Aufgaben unter Aufsicht sowie Vorstellung und Diskussion von Lösungsansätzen und Ergebnissen

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Die Teilnehmer müssen über fundierte Kenntnisse im Bereich Netzwerke verfügen (z. B. Module „Kommunikationsnetze” oder „Rechnernetze und Verteilte Systeme”). Grundkenntnisse in MATLAB sind zwar nicht zwingend erforderlich, werden jedoch empfohlen.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformMündliche Prüfung
SpracheEnglisch
Dauer/Umfang30 Minuten

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 25.

Anmeldeformalitäten

Die Anmeldeformatlitäten werden in der ersten Veranstaltung bekanntgegeben.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

verfügbar – Foliensatz zur Vorlesung verfügbar

Empfohlene Literatur

  • S. F. Bush, Nanoscale Communication Networks. Artech House, 2010.
  • S. Skansi, Introduction to Deep Learning: From Logical Calculus to Artificial Intelligence, 1st ed. 2018 edition. Cham: Springer, 2018.
  • T. Nakano, A. W. Eckford, and T. Haraguchi, Molecular Communication. Cambridge: Cambridge University Press, 2013. doi: 10.1017/CBO9781139149693.

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet A › Kommunikationssysteme / Communication Systems
Computer Science (Informatik)
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Verteilte Systeme und Netze / Distributed Systems and Networks
Elektrotechnik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Verteilte Systeme und Netze / Distributed Systems and Networks
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Verteilte Systeme und Netze / Distributed Systems and Networks
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › Software Systems Engineering › Distributed Systems and Networks

Sonstiges

Keine Angabe