Masterarbeit "Dezentrales föderiertes Lernen für semantische Kommunikation in IIoT-Edge-Cloud-Umgebungen"

Semantische Kommunikation verlagert das Ziel der Datenübertragung von bitgenauer Zustellung auf aufgabenrelevante Bedeutung — und reduziert Bandbreite und Latenz für industrielle Anwendungen, indem nur das übermittelt wird, was für eine gegebene Inferenz- oder Steuerungsaufgabe relevant ist. Das Training der Deep-Learning-Modelle, die diesem Paradigma zugrunde liegen, in verteilten IIoT-Umgebungen wirft offene Fragen auf: Daten sind geräteübergreifend heterogen, Rohdaten können aus Datenschutz- und Bandbreitengründen nicht zentralisiert werden, und semantische Modelle müssen sich an die heterogene Edge-Cloud und an Kanalbedingungen anpassen, die sich dynamisch über IoT-Geräte, Edge-Knoten und Cloud-Infrastruktur hinweg verändern.

Bestehende semantische Kommunikationsmodelle sind grundlegend lokale Optimierungen. In Multi-Hop-Edge-Cloud-Deployments akkumuliert sich die semantische Verzerrung nichtlinear über Pfade hinweg und hängt von dynamischen Wechselwirkungen zwischen Datenflüssen und Routingentscheidungen ab, die selbst keine Kenntnis vom semantischen Inhalt haben. Federated Learning bringt eine weitere Komplikation mit sich: Aggregationsstrategien, die für homogene Szenarien konzipiert wurden, verschlechtern sich unter der Geräte- und Datenheterogenität, die für IIoT-Deployments typisch ist — und eine systematische Evaluation des Einflusses von Aggregationsstrategien auf die semantische Aufgabenleistung fehlt bislang.

Die Arbeit untersucht dezentralisierte Federated-Learning-Ansätze zum Training und zur Anpassung semantischer Encoder-Decoder-Modelle in heterogenen IIoT-Edge-Cloud-Umgebungen

Deine Aufgabe:

Überblick und Bewertung von Simulationsumgebungen (ns-3, ns3-ai, ns3-gym, PyTorch) zur Modellierung semantischer Kommunikationskanäle und Federated Learning über IoT-Edge-Cloud-Topologien.
Entwurf und Implementierung einer dezentralisierten FL-Architektur zum Training semantischer Encoder-Decoder-Modelle in einem repräsentativen IIoT-Edge-Cloud-Szenario.
Integration von Kontextbewusstseinsmechanismen zur Unterstützung adaptiver semantischer Modellauswahl und Federated-Aggregationsstrategie, z. B. konditioniert auf Kanal-SNR, Gerätefähigkeiten und Aufgabenanforderungen , unter Einbeziehung der Benchmarking-Ergebnisse aus der parallelen FL-Aggregationsstudie (FedAvg vs. FedProx vs. personalisierte FL-Varianten).
Evaluation des entwickelten Frameworks mittels ns-3-Simulationen. Dokumentation des Designs und Beitrag der Ergebnisse zu Open Tools und Publikationen im Rahmen von SemComIIoT.

Dein Profil:

Masterstudent/in der Informatik, Elektrotechnik, Nachrichtentechnik oder eines verwandten Fachbereichs.
Kenntnisse in maschinellem Lernen, verteilten Systemen und/oder Computernetzwerken (Kenntnisse in LLMs, Edge Computing oder Cloud-Infrastruktur sind von Vorteil).
Praktische Programmiererfahrung in Python, Java, C/C++ oder Ähnlichem.
Vertrautheit mit ML-Frameworks (z.B. PyTorch, HuggingFace) und/oder Netzwerkemulationstools ist wünschenswert.
Gute analytische Fähigkeiten und Interesse an nachhaltiger KI, Systemoptimierung und Energieeffizienz.
Hervorragende Kommunikationsfähigkeiten in Englisch; Deutschkenntnisse sind von Vorteil.

Unser Angebot:

Ein spannendes und innovatives offenes Forschungsumfeld im Rahmen eines national geförderten F&E-Projekts.
Direkte Zusammenarbeit mit dem Schweizer Partner ZHAW und akademischen/industriellen Forschungsgruppen im Rahmen eines bilateralen CH-DE-Projekts.
Internationales, dynamisches Arbeitsumfeld mit hochqualifizierten und motivierten Kolleginnen und Kollegen.
Möglichkeit zur Veröffentlichung von Forschungsergebnissen und zur Mitwirkung an offenen Werkzeugen und Datensätzen für eine nachhaltige KI-Infrastruktur.
Hinweis: Diese Stelle für diese Masterarbeit ist unentgeltlich.

Haben wir Dein Interesse geweckt?

Dann bewirb dich bitte mit einem Motivationsschreiben, einem ausführlichen Lebenslauf und einem aktuellen Zeugnis.

Job-ID: IioT-MSC-03-2026
Kontakt: Prof. Dr. Rute Sofia personal@fortiss.org