@phdthesis{
  author = {E. Beck},
  year = {2025},
  month = {Nov},
  title = {Advancing Semantic and Digital Communications through Machine Learning},
  series = {Dissertationen aus dem Arbeitsbereich Nachrichtentechnik der Universit\"{a}t Bremen},
  volume = {15},
  publisher = {Shaker Verlag},
  pages = {304},
  ISBN = {978-3-8191-0384-1},
  keywords = {Algorithm deficit, artificial intelligence, CMDNet, deep neural networks, deep unfolding, information maximization principle, information theory, machine learning, massive MIMO, model deficit, semantic communication, SINFONY, soft detection, wireless communication systems},
  address={Bremen, Germany},
  abstract={
Artificial Intelligence (AI) is becoming increasingly prevalent in daily life, driven by rapid advancements in Machine Learning (ML) since 2010. These breakthroughs, enabled by innovations such as specialized hardware, Deep Neural Networks (DNNs), and advances in training techniques, have allowed AI systems to match or even exceed human performance in tasks like autonomous driving and medical diagnostics, with systems such as ChatGPT and AlphaGo standing out as key examples. These achievements have raised public awareness and acceptance of AI technologies.

In the realm of wireless communication, emerging applications such as virtual reality and autonomous systems are pushing traditional digital communication systems to their limits. Conventional content-agnostic approaches struggle to meet the growing demands for bandwidth, power efficiency, and low latency.

This dissertation explores mastering these challenges by integrating ML techniques into wireless communication systems. It introduces CMDNet, a novel framework for symbol detection, designed to improve communication efficiency by combining strengths of traditional model-based designs with those of advanced ML methods. Furthermore, integrating semantic content into communications is identified as crucial for further enhancing system efficiency. Semantic communication aims at transmitting the meaning conveyed by the data rather than the exact bits, which can introduce a model deficit that challenges traditional communication designs. This challenge in design of semantic communication is addressed using advanced ML techniques, as demonstrated in the SINFONY approach.

Together, these contributions demonstrate how ML advances, such as DNNs, can overcome existing limitations in terms of model and algorithmic deficits and significantly enhance the efficiency and capabilities of future communication systems.




Künstliche Intelligenz (KI) wird im Alltag zunehmend präsenter, angetrieben durch rasante Fortschritte im Bereich des Maschinellen Lernens (ML) seit 2010. Diese Durchbrüche, ermöglicht durch Innovationen wie spezialisierte Hardware, tiefe Neuronale Netze (Deep Neural Networks, DNNs) sowie verbesserte Trainingsmethoden, haben es KI-Systemen erlaubt, in Aufgaben wie autonomem Fahren und medizinischer Diagnostik menschliche Leistungen zu erreichen oder gar zu übertreffen. Systeme wie ChatGPT und AlphaGo sind herausragende Beispiele hierfür. Diese Erfolge haben das öffentliche Bewusstsein für und die Akzeptanz von KI-Technologien deutlich erhöht.

Im Bereich der drahtlosen Kommunikation bringen neue Anwendungen wie virtuelle Realität und autonome Systeme die traditionellen digitalen Kommunikationssysteme an ihre Grenzen. Herkömmliche inhaltsagnostische Ansätze haben Schwierigkeiten, die wachsenden Anforderungen an Bandbreite, Energieeffizienz und geringe Latenzzeiten zu erfüllen.

In dieser Dissertation geht es um die Bewältigung dieser Herausforderungen durch die Integration von ML-Techniken in drahtlose Kommunikationssysteme. Vorgestellt wird CMDNet, ein neuartiges Framework zur Symboldetektion, das darauf abzielt, die Kommunikationseffizienz durch die Kombination der Stärken modellbasierter Methoden mit denen der fortgeschrittenen ML-Verfahren zu verbessern. Darüber hinaus wird die Integration von semantischen Inhalten in die Kommunikation als entscheidend für die weitere Verbesserung der Systemeffizienz identifiziert. Semantische Kommunikation zielt darauf ab, die Bedeutung der Daten zu übertragen, anstatt deren exakte Bits, was zu einem Modelldefizit führt. Dieses stellt herkömmliche Kommunikationsansätze vor große Herausforderungen. Beim Design der semantischen Kommunikation werden diese mithilfe fortschrittlicher ML-Techniken gelöst, wie mit dem SINFONY-Ansatz demonstriert.

Zusammen zeigen diese Beiträge, wie ML-Fortschritte, z.B. DNNs, bestehende Beschränkungen in Bezug auf Modell- und Algorithmusdefizite überwinden und die Effizienz und Fähigkeiten zukünftiger Kommunikationssysteme erheblich verbessern können.

}
}