En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

(H/F) EID-5GSmartFact-CNRS-2: Transfer learning for optimizing intelligent radio environments (IREs)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : jeudi 8 juillet 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR8506-MARDIR-004
Lieu de travail : GIF SUR YVETTE
Date de publication : jeudi 6 mai 2021
Nom du responsable scientifique : Marco Di Renzo
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 janvier 2022
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Poste : CNRS-2
Titre : Apprentissage par transfert pour optimiser les environnements radio intelligents

Contexte scientifique : Les communications filaires sont le status quo dans l'industrie en raison de leur haut niveau de fiabilité et de leur latence stable. L'inconvénient de l'utilisation de câbles est le déploiement coûteux, encombrant et inflexible : un ensemble de robots ne peut pas être manœuvré librement dans un entrepôt. Les solutions sans fil offrent une flexibilité beaucoup plus élevée, mais sont sujettes à la décoloration des canaux, à l'ombrage, aux interférences et aux perturbations des machines industrielles. Cependant, les réseaux sans fil contemporains sont conçus sur la base du postulat que seuls les émetteurs et les récepteurs peuvent être optimisés pour améliorer les performances du réseau. L'environnement de propagation qui se trouve entre eux (objets physiques comme les murs, les bâtiments, les meubles, les plafonds, les sols, etc.) est hors de contrôle des ingénieurs en communication. Cette approche de conception et d'optimisation des réseaux sans fil présente trois limites fondamentales: (i) les performances ultimes des réseaux sans fil peuvent ne pas avoir encore été atteintes - En optimisant l'émetteur, le récepteur et l'environnement, les performances des réseaux sans fil peuvent être encore améliorées ; (ii) dans l'industrie de l'Internet des objets, il est peu probable que certains appareils soient équipés de plusieurs antennes - Avoir l'opportunité de personnaliser et de contrôler l'environnement peut ouvrir de nouvelles opportunités pour l'optimisation du réseau; (iii) les ondes radio sont utilisées de manière inefficace, car lorsqu'elles sont réfléchies ou réfractées par un objet, par exemple, l'énergie est dispersée vers des directions indésirables, réduisant ainsi l'efficacité d'utilisation de la puissance émise - Équiper les réseaux sans fil des fonctionnalités de personnalisation du l'environnement radio (c'est-à-dire le contrôle de la propagation des ondes radio et la programmation d'objets environnementaux), outre la capacité d'optimiser les points d'extrémité des liaisons de communication multi-antennes, et optimiser les communications sans fil résultantes à l'aide de techniques de calcul d'apprentissage automatique constituent un vision de changement de paradigme affectant la couche physique et le contrôle d'accès radio. L'environnement de propagation dans un scénario donné a une structure unique qui pourrait être contrôlée à l'aide de métasurfaces reconfigurables (RIS), en complément des technologies multi-antennes au niveau de l'émetteur et du récepteur. Les RIS sont une technologie émergente qui peut modifier le front d'onde d'une onde radio qui les frappe en contrôlant un stimulus externe et façonner des environnements de propagation complexes, tels que les environnements industriels. Cependant, leurs limites de performance fondamentales et leur conception et leur fonctionnement optimisés ne sont pas encore connus. Dans ce contexte, l'utilisation de méthodes basées sur des modèles et des méthodes basées sur l'apprentissage automatique (basées sur les données) constitue une solution prometteuse pour améliorer les performances dans des environnements de propagation pratiques.

Objectifs : 1) Mener des recherches sur une approche émergente pour l'optimisation des réseaux combinant conjointement des méthodes basées sur des modèles et des données de petite taille (basées sur l'apprentissage automatique) à l'aide d'outils d'apprentissage par transfert et de déploiement en profondeur. 2) Combiner conjointement la géométrie stochastique et les méthodes d'optimisation afin de développer des algorithmes d'allocation de ressources et d'ordonnancement optimaux apportant tout le potentiel aux déploiements basés sur IRE pour l'Internet des objets de l'industrie. 3 Utiliser la théorie des processus ponctuels et de la décomposition de Benders pour résoudre les problèmes d'optimisation non linéaire et d'allocation de ressources avec garantie de performance.

Résultats attendus : 1) Une approche innovante d'optimisation de système basée sur la combinaison conjointe de modèles et de données. 2) Caractérisation complète des limites de performance pour la conception et le fonctionnement optimaux pour l'Internet des objets industriel. 3) Publications dans des conférences phares et des revues de premier plan. 4) Intégration dans le simulateur de système NEC et dépôt de brevet.

Inscription doctorat: Université Paris-Saclay (France).

Une période de travail de 18 mois sera réalisée chez NEC en Allemagne (sous réserve de faisabilité juridique).

Contexte de travail

Le Laboratoire des Signaux et Systèmes (CNRS UMR 8506), Université Paris-Saclay, Paris, France cherche deux chercheurs (ESR) pour rejoindre le réseau de formation de doctorat industriel Marie Sklodowska-Curie (MSCA) sur « Industrie du futur connectée et automatisée sans fil grâce à la 5G » (5GSmartFact).

À propos de 5GSmartFact
La transition vers la 4ème révolution industrielle promet d'intégrer l'Internet des objets (IoT) et les systèmes cyber-physiques dans le domaine industriel et de booster la productivité des verticales grâce à une automatisation radicale de toutes les phases de production. Les communications sont essentielles pour permettre l'industrie 4.0 (i4.0), mais elles sont soumises aux exigences strictes des applications automatisées en termes de disponibilité, de fiabilité, de faible latence, d'intégrité, d'évolutivité, de sécurité et de précision de positionnement. Une usine connectée sans fil permet l'utilisation de nouveaux robots mobiles, la reconfiguration facile des lignes d'assemblage et la migration des fonctions de contrôle intégrées vers les ressources de calcul / cache pratiquement infinies et la flexibilité des nuages de périphérie. En conséquence, l'écosystème i4.0 est une opportunité pour la communauté sans fil et est devenu l'une des cibles clés de la 5G. D'un point de vue technique, le développement de l'i4.0 sans fil entraîne un changement de paradigme des réseaux réactifs et centralisés vers des réseaux massifs, ultra-fiables et proactifs pouvant fonctionner dans de larges scénarios distants, avec des milliers d'appareils, des incertitudes, une dynamique élevée, des événements rares, des interférences imprévisibles et des conditions difficiles. La fusion des réseaux 5G et de l'i4.0 présente ses propres difficultés, car ces deux domaines ont été dissociés jusqu'à présent. Voici l'ouverture clé identifiée par 5GSmartFact: Le besoin d'un afflux de chercheurs et d'ingénieurs qualifiés dans les années à venir pour travailler au carrefour de l'automatisation des usines et des évolutions 5G. Dans cette optique, l'objectif du programme de recherche est de former de jeunes chercheurs à pouvoir analyser, concevoir, développer et évaluer le déploiement de réseaux 5G qui ciblent les exigences i4.0 et les exploiter pour intégrer les applications robotiques actuelles qui pourraient conduire à une refonte complète des architectures de robot et donc à un bond en avant dans l'industrie de l'automatisation.


Le rôle
L'ESR sera accueilli au sein du Laboratoire des Signaux et Systèmes (CNRS UMR 8506), situé à CentraleSupelec, campus Paris-Saclay, Paris, France. L'ESR sera inscrit au programme de doctorat de l'Université Paris-Saclay, Paris, France, et travaillera sur une thèse intitulée «Apprentissage par transfert pour l'optimisation des environnements radio intelligents» (CNRS-2) sous la supervision du Dr Marco Di Renzo pendant toute la durée de leur doctorat (trois ans). En accord avec la réglementation des réseaux de formation industrielle MSCA, l'ESR CNRS-2 bénéficiera d'une période de travail/étude (dix-huit mois) auprès de NEC Europe en Allemagne sous la co-tutelle du Dr. Vincenzo Sciancalepore et Dr. Xavier-Costa Perez (sous réserve de faisabilité juridique).

Contraintes et risques

Voir "Informations complémentaires"

Informations complémentaires

Informations complémentaires
Pour plus d'informations sur le poste CNRS-2, veuillez contacter le Dr Marco Di Renzo (marco.di-renzo@universite-paris-saclay.fr).

Veuillez également consulter, pour de plus amples informations, les sites Web :
- Site Web du projet : https://5gsmartfact.upc.edu/
- Site web de la Commission Européenne : https://cordis.europa.eu/project/id/956670

On en parle sur Twitter !