Revolution inden for informationstransmission: TU Dresden modtager millioner i finansiering!

Transparenz: Redaktionell erstellt und geprüft.
Veröffentlicht am

TU Dresden vil modtage 1,5 millioner euro til et projekt, der skal forbedre fiberoptisk kommunikation gennem AI-teknologier.

Die TU Dresden erhält 1,5 Millionen Euro für ein Projekt zur Verbesserung der Glasfaser-Kommunikation durch KI-Technologien.
TU Dresden vil modtage 1,5 millioner euro til et projekt, der skal forbedre fiberoptisk kommunikation gennem AI-teknologier.

Revolution inden for informationstransmission: TU Dresden modtager millioner i finansiering!

Det tekniske universitet i Dresden (TUD) har opnået betydelig succes på forskningsområdet. Prof. Jürgen Czarske, leder af professoratet for måle- og sensorsystemteknologi, har modtaget en finansieringstilsagn på omkring 1,5 millioner euro som en del af Reinhart Koselleck-programmet under den tyske forskningsfond (DFG). Dette projekt, med titlen "Physics-Informed Deep Learning Systems for Secure Information Transmission with Multimode Fibres" (Phys-Deep-Fiber), har til formål at forbedre fiberoptisk informationstransmission ved hjælp af fysik-baserede neurale netværk. Denne anden Koselleck-finansiering til Czarske siden 2014 repræsenterer endnu en milepæl i udviklingen af ​​teknologier inden for energi- og procesteknik, hvor han har stor erfaring.

Projektet behandler forskellige højaktuelle emner såsom forklarligheden af ​​AI-applikationer, energikravene til AI-løsninger og de mulige anvendelser inden for optisk kommunikation og sensorteknologi. Særligt grænsefladerne til områder som automatiseret kørsel, intelligent mikroskopi til biomedicin og kvantekommunikation undersøges som en del af forskningsarbejdet. Betydningen af ​​fiberoptisk kommunikation for internettet og fokus på datasikkerhed og energibesparende teknologier understreger projektets relevans i en stadig mere digitaliseret verden.

Innovative tilgange i AI-forskning

Et centralt element i projektet er udviklingen af ​​XAI-baserede målesystemer, der kombinerer datadrevne algoritmer med fysiske modeller. Dette gør det muligt at træne optiske neurale netværk uden brug af strømkrævende GPU'er, hvilket er både økologisk fornuftigt og økonomisk fordelagtigt. Denne innovation repræsenterer et fremskridt i den energieffektive anvendelse af teknologier, der bliver stadig vigtigere i nutidens forskning.

I den tværfaglige diskussion om neurale netværk og deres grundlag påpeger DFG, at der allerede er internationalt synlige forskningsgrupper i Tyskland, herunder et nyt prioriteret program kaldet "Theoretical Foundations of Deep Learning", som fremmer tværfaglige samarbejder. En af hovedårsagerne til dette fokus er manglen på teoretiske grundlag for neurale netværk, på trods af deres brede anvendelse inden for områderne maskinlæring og generativ kunstig intelligens, såsom systemer som ChatGPT, der i stigende grad bliver en del af vores hverdag.

Succesfuld at kombinere forskning og uddannelse

Sideløbende med de igangværende forskningsprojekter fremhæves betydningen af ​​solid træning inden for neurale netværk. Bogen “Neural Networks”, som udkommer i sin 3. udgave i 2025, tilbyder begyndere en velfunderet introduktion til det grundlæggende i teknologien bag deep learning og machine learning. Emner som læringsalgoritmer, programmering i Python og etiske spørgsmål er dækket i detaljer og er en vigtig del af læringssuccesen for fremtidige fagfolk inden for dette spændende felt.

Gennem kombinationen af ​​bæredygtig forskning, innovativ teknologi og dybdegående uddannelse sender det tekniske universitet i Dresden et klart signal for fremtiden for videnskab inden for kunstig intelligens og energieffektive systemer. Prof. Czarske, som har modtaget adskillige priser, herunder Joseph Fraunhofer-prisen og Laser Instrumentation Award, leder bestræbelserne på at udvikle højkvalitets og pålidelige AI-applikationer, der er i stand til at løse de komplekse udfordringer i den moderne verden.

For yderligere information kontakt venligst Prof. Jürgen Czarske: Telefon: +49 351 463-34803.