KI-Engineering für Nano-NetzwerkeModulbeschreibung #41045 / Version 4
- 6 LP
- Mündliche Prüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #41045 / #4 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Dressler, Falko |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Telekommunikationssysteme |
| Fachgebiet | 34331200 FG Telekommunikationsnetze |
Kontakt
| Sekretariat | FT 5 |
|---|---|
| Ansprechpartner*in | Dressler, Falko |
| E-Mail-Adresse | lehre@ccs-labs.org |
| Webseite | https://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.
- 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.
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| AI Engineering of Nanonetworks | Integrierte Veranstaltung | Sommersemester | [en] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
AI Engineering of Nanonetworks (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 5 h | 75 h |
| Prüfungsvorbereitung | 1 | 30 h | 30 h |
| Vor-/Nachbereitung | 15 | 5 h | 75 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
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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 30 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet A › Kommunikationssysteme / Communication Systems |
| Computer Science (Informatik) StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Verteilte Systeme und Netze / Distributed Systems and Networks |
| Elektrotechnik StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Verteilte Systeme und Netze / Distributed Systems and Networks |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Verteilte Systeme und Netze / Distributed Systems and Networks |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › Software Systems Engineering › Distributed Systems and Networks |
Sonstiges
Keine Angabe