MARC

 008260203s2023        us                              c    eng  d
■001000017365974
■00520260209102906
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265406309
■035    ▼a(MiAaPQ)AAI32315711
■035    ▼a(MiAaPQ)GeorgiaTech73206
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aKrzyston,  Jakob  Anthony.
■24510▼aTowards  Artificially  Intelligent  Communications
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Ralph,  Stephen  E.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2023.
■520    ▼aIn  modern  society,  communication  systems  play  an  essential  role  in  everyday  life.  Up  to  this  point,  digital  signal  processing  (DSP)  has  supported  communications  systems  (radio,  cellular,  Internet,  etc.)  as  well  as  the  connected  devices.  With  ever  increasing  demands  on  the  amount,  speed,  reliability,  and  security  of  transmitted  information,  the  underlying  communications  technologies  need  constant  improvement.  Artificial  Intelligence  (AI)  has  been  tasked  to  replace  DSP  in  order  to  meet  forecasted  performance  demands,  expand  capabilities  of  current  systems,  as  well  as  inspire  future  communications  technologies.  However,  there  are  shortcomings  of  modern  AI  when  trying  to  integrate  it  into  communications  systems:  interpretability  ("Can  we  understand  why  modern  AI  methods  succeed  and  fail?"),  deployability  ("Can  modern  AI  operate  on  everyday  electronics,  without  the  need  for  the  cloud?"),  and  generalizability  ("Can  these  systems  perform  well  in  unforeseen  circumstances?").  This  thesis  addresses  known  technical  problems  withholding  the  future  of  communications  with  respect  to  these  three  shortcomings:  (1)  enabling  complex-valued  computations  in  real-valued  algorithms  (interpretability  &  generalizability),  (2)  neural  network  pruning  methods  enabling  edge-ready  AI  (interpretability  &  deployability),  and  (3)  a  gray-box,  physics-based  AI  simulation  tool  for  fiber  optic  networks  (interpretability  &  generalizability).  This  thesis  demonstrates  advancements  in  AI  towards  realizing  the  ultimate  goal  of  artificially  intelligent  communications.
■590    ▼aSchool  code:  0078.
■650  4▼aPhysics
■650  4▼aPartial  differential  equations
■650  4▼aDeep  learning
■650  4▼aFourier  transforms
■650  4▼aSignal  to  noise  ratio
■650  4▼aFiber  optic  networks
■650  4▼aMagnetic  resonance  imaging
■650  4▼aNeural  networks
■650  4▼aSignal  processing
■650  4▼aCommunications  networks
■650  4▼aCommunications  systems
■650  4▼aComputer  science
■650  4▼aElectrical  engineering
■650  4▼aInformation  technology
■650  4▼aMathematics
■650  4▼aMedical  imaging
■690    ▼a0800
■690    ▼a0605
■690    ▼a0984
■690    ▼a0544
■690    ▼a0489
■690    ▼a0405
■690    ▼a0574
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365974▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서