Suomen Akatemian kutsuhaun rahoitukset Mikko Valkaman ja Sergey Andreevin hankkeille

2022 Suomen Akatemian ja NSF:n yhteishaussa - tekoäly ja langattomat tiedonsiirtoteknologiat Tampereen yliopistosta rahoituksen saivat Mikko Valkaman ja Sergey Andreevin kolmivuotiset hankkeet.  

Mikko Valkama

NSF-AoF: CNS Core: Small: Koneoppimiseen perustuvia menetelmiä tiedonsiirtoon ja mobiliteetin hallintaan 6G verkoissa
01.01.2023 - 31.12.2025 

5G evoluutio ja tulevaisuuden 6G verkot pyrkivät hyödyntämään yhä suurempia radiotaajuuksia, aina satojen Gigahertzien taajuuksiin asti. Näiden taajuuksien käytössä on kuitenkin suuria teknisiä haasteita liittyen mm. soveltuvan elektroniikan hinta-laatusuhteeseen ja energiatehokkuuteen, signaalien voimakkaaseen vaimenemiseen etäisyyden funktiona ja mobiliteetiin tukemiseen tehokkaasti. Tässä projektissa kehitetään uusia koneoppimiseen perustuvia menetelmiä fyysiselle tiedonsiirtokerrokselle, suuntaavien antennijärjestelmien keilojen hallintaan sekä mobiliteetin hallintaan tulevaisuuden 6G verkoissa, tavoitteena parantaa tiedonsiirron ja verkon energiatehokkuutta ja luotettavuutta. Projekti toteutetaan yhteistyössä Tampereen yliopiston ja University of California at Los Angleles (UCLA) kesken.
 

Sergey Andreev

SOLID: Järjestelmänlaajuinen toiminta laitteen erojen oppimisen kautta
01.01.2023 - 31.12.2025

Langattoman viestinnän keskeisin haaste on tiedonsiirtonopeuden lisääminen laitteessa. Tämän saavuttamiseksi nykyaikaiset langattomat viestintästandardit käyttävät ns. MIMO (multiple-input multiple-output)-tekniikkaa, joka mahdollistaa tiedonsiirron rinnakkaistamisen useiden virtojen kautta, jotka muodostuvat suuresta määrästä laiteantenneja. Kuitenkin, käyttäjien laitetyyppien (puhelinten ja tablettien lisäksi ilma-ajoneuvot, autot, robotit jne.) lisääntyvä monimuotoisuus ja korkea liikkuvuus haastavat nykyisen MIMO-kehityksen verkkojen osalta. Tämä projekti on North Carolina State Universityn ja Tampereen yliopiston langattoman viestinnän asiantuntijoiden yhteistyö. Se kehittää koneoppimiseen perustuvia ratkaisuja, joiden avulla laitteet voivat oppia optimaaliset antennikokoonpanot yhteistyössä. Projektiryhmä suunnittelee uusia menetelmiä, joiden avulla voidaan optimoida edistyksellisiä MIMO-ratkaisuja, jotka on räätälöity erityisesti erittäin monipuolisiin ja dynaamisiin laitteisiin