E6

KOMUNIKACIJSKI SISTEMI - E6

• Telekomunikacijski sistemi in omrežja
• Komunikacijski protokoli, storitve in aplikacije
• Programska orodja za testiranje, modeliranje in simulacijo komunikacijskih sistemov
• Modeliranje radijskih kanalov
• Tehnike lokalizacije
• Digitalni dvojčki
• Vzporedni in porazdeljeni sistemi
• Znanstveno računanje
• Aplikativno znanstveno računanje
• Vzporedno računanje
• Numerična analiza
• Brezmrežne metode za numerično reševanje sistemov parcialnih diferencialnih enačb
• Računalniško modeliranje in simulacije
• Brezžična senzorska omrežja
• Inteligentno orkestriranje infrastrukture
• Upravljanje radijskih virov in obdelava signalov s podporo umetne inteligence
• Odkrivanje in klasifikacija anomalij
• Izločanje konteksta, načrtovanje in sklepanje
• Kognitivni kontinuum
• Umetna inteligenca in strojno učenje za IKT operacije
• Pametna elektroenergetska omrežja

Odsečne spletne strani

Vodja odseka

prof. dr. Mihael Mohorčič, mihael.mohorcic@ijs.si
Telefon: (01) 477 36 69

Projekti in finance

Polona Anžur, dipl. ekon., polona.anzur@ijs.si
Telefon: (01) 477 31 07

Tajništvo

Nika Simčič, univ. dipl. umet. zgod., nika.simcic@ijs.si
Telefon: (01) 477 38 70

Raziskovalno in razvojno delo na odseku poteka v okviru Laboratorija za komunikacijske tehnologije (LKT), Laboratorija za vzporedne in porazdeljene sisteme (LVPS) in Laboratorija za omrežene vgrajene sisteme (LOVS). Raziskovalno delo treh laboratorijev se dopolnjuje, kar se odraža zlasti v skupnih nacionalnih in mednarodnih raziskovalnih in aplikativnih projektih.

V Laboratorij za znanstveno računanje se osredotočamo na reševanje problemov, ki vključujejo računsko intenzivne naloge in probleme, pri katerih je računanje porazdeljeno po heterogenih računalniških arhitekturah. V ta namen so naše dejavnosti usmerjene v razvoj algoritmov, potrebnih na različnih področjih, vključno z numeričnimi simulacijami, večkriterijskimi optimizacijami, analizami velikih količin podatkov in teorijo grafov. Razvili smo lokalne brezmrežne metode za reševanje sistemov parcialnih diferencialnih enačb. Naš HP-adaptivni postopek reševanja, ki temelji na iterativni paradigmi reševanja-ocenjevanja-označevanja-izboljševanja, je bil formuliran in implementiran, njegova učinkovitost pa je bila dokazana v numeričnih eksperimentih. Ta metoda predstavlja pomemben korak proti popolnoma avtonomnim numeričnim reševalnikom za kompleksne probleme v realističnih geometrijah brez potrebe po uporabnikovem posegu. Na področju simulacij strjevanja smo razvili ostro formulacijo modela ovojnice zrn (GEM – ang. Grain Envelope Model) z brezmrežnim sledenjem vmesnika (MIT – ang. Meshless Interface Tracking), ki ponuja superiorno natančnost v primerjavi z obstoječimi metodami zajemanja vmesnika na osnovi faznega polja (PFIC). Na področju aplikativnih raziskav nadaljujemo z razvojem programsko opree DiTeR za dinamično termično ocenjevanje za podjetji ELES in Operato, vključno s prenovo sistemov in uvajanjem za operaterje prenosnih omrežij.

V Laboratorij za pametne komunikacije in računanje se osredotočamo predvsem na razvoj pametnih infrastruktur z inovativno obdelavo signalov, modeliranjem časovnih vrst in odločanjem, ki ga poganja umetna inteligenca, vključno z učenjem reprezentacij, globokim učenjem, gručenjem in klasifikacijo. To izboljšuje dostopnost, uporabnost in učinkovitost v omreženih vgrajenih sistemih. Za odkrivanje anomalij v velikih sistemih IoT (npr. pametnih tovarnah/mestih) smo razvili modul za ekstrakcijo podatkov na podlagi umetne inteligence za spremljanje digitalnih dvojčkov. Modul obdeluje signalne podatke, da odkrije in opiše nenadne anomalije v moči prejetega signala, zapisuje zgodovino meritev in sproži avtomatizirane ukrepe za ublažitev. Na področju zaznavanja spektra smo raziskali klasifikacijo radijskega okolja brez oznak in predlagali nov potek zaznavanja spektra, primeren za realistične nastavitve, ki ne temeljijo na označenih podatkih, ter ga je mogoče enostavno prilagoditi različnim okoljem. Izvajamo raziskave na področju umetne inteligenca in strojnega učenja za IKT operacije, še posebej celovitih razvojnih potekov strojnega učenja za izboljšanje avtomatizacije in zanesljivosti uvajanja novih modelov. V raziskavah in razvoju pametne infrastrukture se osredotočamo na avtomatsko klasifikacijo časovnih podatkovnih vrst, pri čemer uporabljamo tradicionalne in globoke metode strojnega učenja za klasifikacijo naprav v pametnih omrežjih. Za upravljanje z energijo smo uvedli CARMEL, nov pristop globokega učenja, ki izboljša neinvazivno spremljanje obremenitve z učinkovito prostorsko-časovno predstavitvijo podatkov in klasifikacijo z več oznakami. Poleg tega smo uvedli okvir za ocenjevanje sintetičnih podatkov, ki posnema resnične scenarije. Z aktivnostmi Laboratorija za omrežene vgrajene sisteme skupaj s Samostojnim laboratorijem za umetno inteligenco (E3) sodelujemo tudi v medodsečnem laboratoriju SensorLab.