Prezenční studium

4 roky

prof. Ing. Zdeněk Smékal, CSc.

Předseda :
prof. Ing. Zdeněk Smékal, CSc.
Člen interní :
doc. Ing. Radim Burget, Ph.D.
prof. Ing. Jiří Mišurec, CSc.
doc. Ing. Vladislav Škorpil, CSc.
doc. Ing. Jiří Hošek, Ph.D.
prof. Ing. Jaroslav Koton, Ph.D.
Člen externí :
doc. Ing. Otto Dostál, CSc.
prof. Ing. Boris Šimák, CSc.
prof. Ing. Ivan Baroňák, Ph.D.

Doktorand se naučí tvůrčím způsobem využívat teoretické znalosti získané jak studiem vybraných kurzů, tak vlastní tvůrčí činností. Tyto poznatky je schopni efektivně využití při následném návrhu vlastních a inovátorských řešení v rámci dalšího experimentálního vývoje a aplikačního výzkumu. Důraz je tak kladen na získání jak teoretických, tak i praktických dovedností, dále samostatnost v rozhodování, formulování vědecko-výzkumných hypotéz pro přípravu projektů základního až aplikovaného výzkumu, schopnost hodnocení výsledků a jejich prezentace ve formě vědeckých textů a prezentací před vědeckou komunitou.

Doktorský studijní program "Teleinformatics" je zaměřen na přípravu špičkových vědeckých a výzkumných specialistů, kteří budou mít hluboké znalosti principů a technik využívaných v komunikačních a datových drátových i bezdrátových sítích a s tím souvisejících oblastí jako je i vlastní sběr, zpracování a zpětná reprezentace užitečných uživatelských dat na úrovni aplikační vrstvy. Hlavní části studia tvoří oblasti teoretické informatiky a komunikační techniky. Absolvent má široké znalosti komunikačních a informačních technologií, datových přenosů a jejich zabezpečení. Absolvent se orientuje v operačních systémech, počítačových jazycích a databázových systémech, jejich užití včetně návrhu vhodného software a uživatelských aplikací. Je schopen navrhovat nová technologická řešení komunikačních zařízení a informačních systémů určených pro pokročilý přenos informací.

Absolventi programu "Teleinformatics" se uplatňují zejména ve výzkumných, vývojových a projekčních týmech, v oblasti odborné činnosti ve výrobních nebo obchodních organizacích, v akademické sféře a v dalších institucích zabývajících se vědou, výzkumem, vývojem a inovacemi, ve všech oblastech společnosti, kde dochází k aplikaci a využití komunikačních systémů a přenosu informace datovými sítěmi.
Uplatnění naši absolventi nalézají zejména při analýze, návrhu, tvorbě nebo správě komplexních systémů pro přenos a zpracování dat, a také při programování, integraci, podpoře, údržbě nebo prodeji těchto systémů.

Studium doktoranda probíhá podle individuálního studijního plánu, který zpracuje v úvodu studia školitel doktoranda ve spolupráci s doktorandem. V individuálním studijním plánu jsou specifikovány všechny povinnosti stanovené v souladu se Studijním a zkušebním řádem VUT, které musí doktorand k úspěšnému ukončení studia splnit. Tyto povinnosti jsou časově rozvrženy do celého období studia, jsou bodově ohodnoceny a v pevně daných termínech probíhá kontrola jejich plnění. Student si zapíše a vykoná zkoušky z povinných předmětů, minimálně dvou povinně volitelných předmětů ohledem na zaměření jeho disertační práce, a dále minimálně dvou volitelných předmětů (Angličtina pro doktorandy, Řešení inovačních zadání, Vědecké publikování od A do Z).
Ke státní doktorské zkoušce se může student přihlásit až po vykonání všech zkoušek předepsaných jeho individuálním studijním plánem. Před státní doktorskou zkouškou student vypracuje pojednání k disertační práci, v němž detailně popíše cíle práce, důkladné zhodnocení stavu poznání v oblasti řešené disertace, charakteristiku metod, které hodlá při řešení uplatňovat. Obhajoba pojednání, které je oponováno, je součástí státní doktorské zkoušky. V další části zkoušky musí student prokázat hluboké teoretické i praktické znalosti v oblasti mikroelektroniky, elektrotechnologie, fyziky materiálů, nanotechnologií, elektrotechniky, elektroniky, teorie obvodů. Státní doktorská zkouška probíhá ústní formou a kromě diskuze nad pojednáním k disertační práci se také skládá z tematických okruhů týkajících se povinných a povinně volitelných předmětů.
K obhajobě disertační práce se student hlásí po vykonání státní doktorské zkoušky a po splnění podmínek pro ukončení, jakými jsou účast na výuce, vědecká a odborná činnost (tvůrčí činnost), a minimálně měsíční studijní nebo pracovní stáž na zahraniční instituci anebo účasti na mezinárodním tvůrčím projektu.

Studium doktoranda probíhá podle individuálního studijního plánu (dále jen ISP), který zpracuje v úvodu studia školitel doktoranda ve spolupráci s doktorandem. Individuální studijní plán je pro doktoranda závazný. Jsou v něm specifikovány všechny povinnosti stanovené v souladu se Studijním a zkušebním řádem VUT, které musí doktorand k úspěšnému ukončení studia splnit. Tyto povinnosti jsou časově rozvrženy do celého období studia, jsou bodově ohodnoceny a v pevně daných termínech probíhá kontrola jejich plnění. Průběžné bodové hodnocení všech aktivit doktoranda je vedeno v dokumentu „Celkové bodové hodnocení doktoranda“ a je součástí ISP. Při zahájení dalšího roku studia pak školitel do ISP zaznamená případné změny. Nejpozději do 15. 10. každého roku studia odevzdává doktorand vytištěný a podepsaný ISP na vědeckém oddělení fakulty ke kontrole a založení.
Během prvních čtyř semestrů skládá doktorand zkoušky z povinných, povinně volitelných anebo volitelných předmětů pro splnění bodových limitů ze Studijní oblasti, a současně se intenzivně zabývá vlastním studiem a analýzou poznatků v oboru stanoveném tématem disertační práce a průběžným publikováním takto získaných poznatků a vlastních výsledků. V dalších semestrech se doktorand již více soustřeďuje na výzkum a vývoj, který souvisí s tématem disertační práce, na publikování výsledků své tvůrčí práce a na vlastní zpracování disertační práce.
Do konce druhého roku studia skládá doktorand státní doktorskou zkoušku, kterou prokazuje široký rozhled a hluboké znalosti v oboru, souvisejícím s tématem disertační práce. K této zkoušce se musí přihlásit nejpozději do 30. dubna ve druhém roce svého studia. Státní doktorské zkoušce předchází zkouška z anglického jazyka.
Ve třetím a čtvrtém roce svého studia provádí doktorand potřebnou výzkumnou činnost, publikuje dosažené výsledky a zpracovává svoji disertační práci. Součástí studijních povinností v doktorském studijním programu je absolvování části studia na zahraniční instituci nebo účast na mezinárodním tvůrčím projektu s výsledky publikovanými nebo prezentovanými v zahraničí nebo jiná forma přímé účasti studenta na mezinárodní spolupráci, což je nutné doložit nejpozději při odevzdání disertační práce.
Doktorandi ve čtvrtém roce studia předkládají do konce zimního zkouškového období svému školiteli rozpracovanou disertační práci, který ji ohodnotí. Disertační práci doktorand odevzdává do konce 4. roku studia.
Student prezenční formy doktorského studia je v průběhu studia povinen absolvovat pedagogickou praxi, tj. působit v procesu výuky. Zapojení doktoranda do pedagogické činnosti je součástí jeho vědecké přípravy. Pedagogickou praxí doktorand získává zkušenosti v předávání poznatků a zdokonaluje prezentační dovednosti. Skladbu pedagogických aktivit (cvičení, laboratorní cvičení, vedení projektů apod.) určí doktorandovi vedoucí daného ústavu po dohodě se školitelem. Povinnost pedagogické praxe se nevztahuje na doktorandy-samoplátce a na doktorandy v kombinované formě studia. Zapojení do výuky v rámci pedagogické praxe potvrdí po jejím splnění školitel v IS VUT.

1. Enhancing Large Language Model Framework to Achieve Autonomous, Self-Organized, and Decentralized Operations

   This research aims to address the limitations of current Large Language Model (LLM) frameworks, such as the presence of central managers that can create single points of failure and issues related to agents conflicting and hallucinating. While existing LLM frameworks and agents perform well for simple use cases, they struggle with handling complex tasks end-to-end. The proposed approach focuses on developing efficient and reliable AI systems capable of managing complex tasks autonomously, in a self-organized and decentralized manner. As the demand for more sophisticated and scalable AI systems grows, the limitations of centralized LLM frameworks become more apparent. Centralized systems are prone to single points of failure and can struggle to efficiently manage the complexity and scale of modern AI tasks. Moreover, issues such as agent conflicts and hallucinations (i.e., generating incorrect or nonsensical information) further hinder the reliability and effectiveness of LLMs in complex scenarios. The research objectives include developing a decentralized LLM framework that eliminates single points of failure by distributing control and decision-making among multiple autonomous agents. Additionally, it focuses on enhancing communication protocols between agents to reduce unnecessary communication and improve efficiency. Moreover, integrating Knowledge Graphs (KG), for example, to improve the explainability of LLM responses and mitigate hallucinations, and implementing Reinforcement Learning (RL) techniques to train agents on optimal communication strategies and decision-making processes. Furthermore, the goal is to create a self-organizing system capable of dynamically incorporating new agents and adapting to changing environments and tasks. The research will employ a combination of theoretical and experimental approaches to achieve these objectives. This includes designing and implementing a decentralized architecture, developing and optimizing communication protocols, utilizing RL to train agents, integrating KGs into the LLM framework, and developing mechanisms for self-organization. The expected contributions of this research include a novel decentralized LLM framework that enhances robustness and scalability, improved communication protocols that reduce computational costs and increase efficiency, enhanced explainability and reliability of LLM responses through the integration of KGs, and a self-organizing AI system capable of dynamic adaptation and continuous learning. By addressing the limitations of current LLM frameworks and developing a decentralized, autonomous, and self-organized system, this research aims to pave the way for more robust, scalable, and reliable AI solutions. This thesis is conducted in cooperation with AT&T, where supervision and assistance will be provided by AT&T to leverage their technological expertise and infrastructure, further ensuring the success and impact of this research.

   Školitel: Hošek Jiří, doc. Ing., Ph.D.

2. Evaluation and Optimization of Directional Communications Technology in On-Demand Aerial Networks

   Recently, unmanned aerial vehicles and systems attracted attention in many contexts, such as on-demand wireless connectivity provisioning. This doctoral research topic addresses the emerging air-to-everything communication, including autonomous drone interworking over air-to-air links and robust aerial networking via air-to-ground channels. It targets to evaluate and optimize this emerging technology by contributing with efficient features to improve its performance, which notably account for specific effects and behavior of directional millimeter-wave channels. The proposed radio connectivity algorithms, system architectures, and performance evaluation frameworks are expected to become of significant value toward the development of future 5G+/6G wireless systems.

   Školitel: Hošek Jiří, doc. Ing., Ph.D.

3. Hluboká syntéza audio signálů s využitím v jejich rekonstrukci

   Téma je zaměřeno na výzkum nových metod pro syntézu audio signálů a jejich aplikaci v úlohách rekonstrukce degradovaných audio signálů. Syntéza bude vycházet z vhodné naučené parametrizace signálu (od dobře interpretovatelné typu DDSP (differentiable digital signal processing) až po abstraktní embeddings ze sítí typu U-net). Cílem výzkumu je navrhnout metody, které budou efektivně generovat signál na základě omezení daných řešenou úlohou, ať už v podobě interpolace částečně dostupných vzorků v časové či časově-kmitočtové oblasti nebo dokonce abstraktnějších charakteristik.

   Školitel: Rajmic Pavel, prof. Mgr., Ph.D.

4. Modern fiber optic transmission systems

   Optical transmission systems are evolving very rapidly to meet the ever-increasing demands of users. In addition to data transmissions, there are also new transmissions such as exact time, stable frequency, radio over fiber, quantum signals transmission, etc. Individual types of signals have different requirements for the transmission infrastructure. Wavelength division multiplexing is now widely used to increase the capacity of optical fibers but it is necessary to address the issue of possible interference. In order to meet the requirements of future transmission systems, it is necessary to address several technical challenges, such as new optical modulation formats with high spectral efficiency, mitigation of linear and nonlinear phenomena in optical fibers, new types of optical fibers or signal amplification with minimal noise.

   Školitel: Münster Petr, doc. Ing., Ph.D.

5. Novel distributed and quasi-distributed fiber optic sensing systems

   The work focuses on the design, simulation and development of distributed and quasi-distributed fiber optic sensing systems. These systems use conventional single-mode telecommunication optical fibers, multimode fibers, polymer optical fibers (POF), microstructural fibers, multicore fibers, or other special fibers as a sensor. Using scattering phenomena (Raman, Brillouin, or Rayleigh scattering), or possibly changing the parameters of the transmitted optical signal (change in intensity, phase, polarization, etc.), it is possible to obtain information about temperature, vibration and other physical quantities along the optical fiber.

   Školitel: Münster Petr, doc. Ing., Ph.D.

6. Optical fiber infrastructure security

   Fiber optic networks have evolved rapidly in recent years to meet the ever-increasing demand for increasing capacity. Today, optical fibers are widely used in all types of networks due to not only transmission speed or maximum achievable distance but also security. Although fiber optic networks are considered completely secure, there are ways to capture or copy part of the data signal. Both imperfections of passive optical components and, for example, monitoring outputs of active devices can be used. With the advent of quantum computers, current encryption could be broken. It is therefore necessary to address the security of fiber-optic networks, analyze security risks and propose appropriate countermeasures.

   Školitel: Münster Petr, doc. Ing., Ph.D.

7. Strojové učení ve fotonice

   Fotonické systémy zahrnují celou řadu oblastí od datových přenosů, přes senzoriku až po kvantové sítě. Každý fotonický systém má vlastní požadavky na přenosovou infrastrukturu, ale i na vstupní a výstupní parametry. Manuální optimalizace rozsáhlých sítí založených na různých typech signálů je téměř nemožná. S pomocí strojového učení lze u fotonických sítí dosáhnout optimalizace jak samotných přenášených signálů, tak celé infrastruktury. V neposlední řadě, lze pomocí algoritmů strojového učení detekovat a klasifikovat nestandardní chování sítě a minimalizovat tak bezpečnostní rizika. Strojové učení ve fotonice tedy představuje aktuální a perspektivní téma.

   Školitel: Münster Petr, doc. Ing., Ph.D.

8. Umělá inteligence pro efektivní analýzu biosignálů na nositelných zařízeních

   Téma je zaměřeno na výzkum a návrh efektivních metod zpracování biosignálů pomocí edge computingu na nositelných zařízeních. Cílem je minimalizace latence a spotřeby energie při analýze EEG, EKG a dalších biomarkerů pomocí optimalizovaných modelů strojového učení v reálném čase.

   Školitel: Burget Radim, doc. Ing., Ph.D.

9. Využití psychoakustiky a subjektivity ve zpracování audio signálů

   Moderní metody pro rekonstrukci poškozených audiosignálů se opírají zejména o generativní modely a velké množství trénovacích dat. Systematickému zkoumání subjektivní kvality výsledku však nebývá věnována potřebná pozornost. Cílem výzkumu v rámci studia je zjistit, nakolik mají psychoakustické principy podíl na úspěchu generativních neurálních modelů, ač v těchto modelech nejsou explicitně využity. Navazujícím cílem je pak návrh diferencovatelné predikce subjektivního hodnocení audio signálu, která umožní zvýšení efektivity či kvality výstupu u metod využívajících hlubokého učení.

   Školitel: Rajmic Pavel, prof. Mgr., Ph.D.