Prezenční studium

4 roky

doc. Ing. Jiří Hošek, Ph.D.

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

Doktorand se naučí tvůrčím způsobem využívat teoretické znalosti získané jak studiem vybraných kurzů, tak vlastní tvůrčí činností. Tyto poznatky je schopný efektivně využít 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 „Electronics and Information Technology“ (DPA-EIT) 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 "Electronics and Information Technologies" 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 (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.
Hodnocení a kontrola plnění individuálního studijního plánu doktoranda probíhá v kontrolních termínech stanovených k danému akademickému roku:
• 1. ročník ke dni 30. června,
• 2. ročník ke dni 30. dubna při odevzdání přihlášky ke státní doktorské zkoušce,
• při zápisu do 4. ročníku studia,
• při odevzdání rozpracované disertační práce,
• při odevzdání přihlášky k obhajobě disertační práce.
Splněním ISP se rozumí získání minimálního počtu bodů ve studijní oblasti, v oblasti pedagogické praxe a v oblasti vědecké a odborné činnosti ve stanovených termínech kontroly. Dále musí doktorand získat ve stanoveném termínu celkový minimální počet bodů. Minimální počty bodů jsou stanoveny a sledovány v ISP doktoranda (Bodové hodnocení tvůrčích aktivit doktoranda a Celkové bodové hodnocení doktoranda).
Vzhledem k tomu, že se jedná o studijní program typu double-degree, student musí splnit také studijní povinnosti dané platnou smlouvou mezi Vysokým učením technickým v Brně a Tampere University of Technology. Mezi tyto dodatečné povinnosti patří zejména povinnost studia i na partnerské univerzitě ve výši minimálně 12 měsíců. Student (doktorand) má od začátku svého studia přiděleny dva školitele – na domácí i partnerské univerzitě, kteří společně koordinují studijní a vědecké aktivity studenta.
Pokud doktorand neplní řádně své povinnosti (tj. nezíská ve stanovených termínech požadovaný počet bodů), proděkan společně se školitelem doktoranda na základě doporučení oborové rady navrhnou snížení stipendia nebo odebrání stipendia anebo ukončení studia.

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 především 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 v prezenční formě ve čtvrtém roce studia a doktorandi v kombinované formě v pátém roce studia předkládají do konce zimního zkouškového období svému školiteli rozpracovanou disertační práci, který ji ohodnotí. Disertační práci by měl doktorand odevzdat do konce 4. roku v prezenční formě studia, respektive do konce 5. roku v kombinované formě 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. Exploring Novel Techniques for Fine-Tuning Large Language Models and Enhancing Retrieval-Augmented Generation (RAG)

   Abstract: This research aims to explore and develop novel techniques for fine-tuning Large Language Models (LLMs) and enhancing Retrieval-Augmented Generation (RAG) to improve the performance, efficiency, and applicability of LLMs in various complex tasks. The proposed approach includes investigating advanced fine-tuning strategies, integrating external knowledge bases, and optimizing retrieval mechanisms to create more robust and contextually aware AI systems. Additionally, the research focuses on making fine-tuning processes more efficient and reducing computational consumption, which can lead to significant cost savings. Background and Motivation: As LLMs become increasingly prevalent in various applications, the need for efficient and effective fine-tuning techniques and advanced retrieval mechanisms becomes critical. Fine-tuning LLMs can significantly improve their performance on specific tasks, while RAG enables the models to generate more accurate and contextually relevant responses by leveraging external knowledge sources. However, current techniques often face challenges related to computational costs, scalability, and the integration of diverse knowledge sources. Reducing the computational resources required for fine-tuning can lead to lower costs and make these technologies more accessible. Research Objectives: To develop innovative fine-tuning techniques that enhance the adaptability and performance of LLMs across various domains. To optimize Retrieval-Augmented Generation (RAG) by improving retrieval mechanisms and integrating diverse external knowledge bases. To investigate the use of multi-modal data (e.g., text, images, audio) in fine-tuning and RAG processes. To create efficient and scalable methods for fine-tuning LLMs that reduce computational costs and training time, leading to significant cost savings. To evaluate the impact of different fine-tuning and RAG techniques on the performance and reliability of LLMs in real-world applications. Methodology: The research will employ a combination of theoretical and experimental approaches to achieve the outlined objectives. Key components of the methodology include: Advanced Fine-Tuning Techniques: Investigate and develop new fine-tuning strategies, such as few-shot learning, meta-learning, and transfer learning, to enhance the adaptability of LLMs. Optimized Retrieval Mechanisms: Design and implement advanced retrieval algorithms that improve the accuracy and relevance of information retrieved from external knowledge bases. Multi-Modal Integration: Explore the integration of multi-modal data in fine-tuning and RAG processes to create more contextually aware and versatile AI systems. Scalability and Efficiency: Develop methods to reduce the computational costs and training time associated with fine-tuning LLMs, such as model compression and distributed training techniques, to achieve significant cost savings. Performance Evaluation: Conduct comprehensive evaluations of different fine-tuning and RAG techniques using benchmark datasets and real-world applications to assess their impact on LLM performance and reliability. Expected Contributions: The proposed research is expected to make several significant contributions to the field of AI and LLMs: Novel fine-tuning techniques that improve the adaptability and performance of LLMs across various domains. Optimized retrieval mechanisms that enhance the accuracy and relevance of Retrieval-Augmented Generation (RAG). Integration of multi-modal data to create more contextually aware and versatile AI systems. Efficient and scalable methods for fine-tuning LLMs that reduce computational costs and training time, leading to significant cost savings. Comprehensive evaluations of fine-tuning and RAG techniques, providing insights into their impact on LLM performance and reliability. Conclusion: By exploring and developing novel techniques for fine-tuning LLMs and enhancing Retrieval-Augmented Gener

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

4. Kyberbezpečnost v dopravních systémech

   Výzkum se zaměří na analýzu hrozeb, zranitelností a metod zabezpečení v inteligentních systémech dopravy (ITS), internetu vozidel, intervozidlové/intravozidlové komunikace a v přidružených digitálních systémech a služeb v dopravě. Práce se bude dále zabývat jak tyto systémy chytré dopravy agilně, robustně a udržitelně zabezpečit. Dílčím cílem práce je i výzkum a návrh metod ochrany soukromí uživatelů a postkvantové kryptografie a jejich vliv na služby v ITS. Předpokládá se zapojení studenta do mezinárodních a národních výzkumných projektů.

   Školitel: Malina Lukáš, doc. Ing., Ph.D.

5. 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.

6. Nové metody využívající nástroje umělé inteligence pro penetrační testování

   Téma je zaměřeno na výzkum a návrh nových metod využívající umělé inteligence, které lze použít při bezpečnostním testování (penetrační testování). Výzkum je cílem na metody použitelné při penetračním testování webových aplikací, síťové infrastruktury, ale také penetračních testech specializovaných zařízení jako je například inteligentní elektroměr. Předpokládá se zapojení studenta do výzkumných projektů Ústavu.

   Školitel: Jeřábek Jan, doc. Ing., Ph.D.

7. 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.

8. 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.

9. 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.