Thèse Modèle IA pour traitement numérique du signal dans le cadre 5G IoT F/H
Orange
Meylan , France
il y a 1j

about the role

Votre rôle est d'effectuer un travail de thèse sur les modèles IA pour le traitement numérique du signal dans le cadre 5G IoT.

Les réseaux de neurones profonds ou DNN (Deep Neural Network) connaissent un véritable essor depuis une dizaine d'années, notamment grâce à des avancées sur les plans théorique et matériel.

En conséquence, de nombreux progrès ont pu être réalisés dans le traitement des signaux vidéo et sonores, ainsi que dans le traitement d'images.

On observe plus généralement un développement de l'application de l'IA dans tous les domaines et y compris dans les réseaux cellulaires.

Les perspectives d'impacts se situent à tous les niveaux, jusque dans la station de base, l'IA pouvant assister les procédures d'ordonnancement pour l'allocation de ressources radio.

En parallèle, un autre domaine connaît un essor grandissant : la connectivité IoT. Depuis l'arrivée en 2016 des technologies cellulaires LTE-

M et NB-IoT, les cas d'usages Low Power Wide Area (LPWA) sont efficacement supportés par les réseaux cellulaires. Ces technologies n'ont cessé d'évoluer et de se perfectionner, offrant toujours plus de performances en termes d'économies d'énergie, de réduction de la latence et de réduction de la complexité.

Néanmoins, la forte densité d'objets attendue dans le contexte 5G (1 million d'objets par km²) induira une augmentation de la complexité au niveau de la station de base.

De plus, la virtualisation des fonctions de traitement, au plus proche de la radio, soulève la question de la complexité des algorithmes traditionnellement utilisés pour le traitement du signal, ainsi que l'efficacité de leur support par des unités de calcul génériques de type CPU.

Enfin, on pourra noter que la réduction de complexité au niveau de l'UE, imposée pour des questions de coût et d'économies d'énergie, implique généralement un compromis vis-

à-vis des procédés de traitement du signal utilisés, avec le choix, par exemple, d'un code correcteur d'erreur moins performant, ou d'une modulation d'ordre moins élevée.

Dans cette thèse, on souhaite étudier l'utilisation de modèles IA de type DNN pour réaliser des opérations de traitement numérique du signal.

Dans le cadre d'une comparaison avec des algorithmes de traitement classiquement utilisés, une réduction de la complexité à performance équivalente est attendue.

De récentes publications scientifiques font état de résultats dans ce sens 1 - 5 . Des DNN sont ainsi utilisés pour des opérations aussi variées que la détection aveugle de modulations 1 5 , le décodage de codes correcteurs 3 4 ou le démultiplexage d'un schéma de transmission non-

orthogonal 2 . Les résultats obtenus, principalement en simulation, montrent l'efficacité des réseaux de neurones. Les performances observées sont comparables ou supérieures à celles des algorithmes classiques, et sont généralement associées à une réduction de la complexité du système.

Ces résultats confirment l'intérêt de l'utilisation de réseaux de neurones pour la réalisation d'opérations de traitement du signal.

Enfin, au-delà du nombre de papier scientifiques traitant du sujet, on pourra noter le développement de l'intérêt du secteur académique pour l'IA et ses applications.

L'initiative des 3IA, dont un établissement se situe à Grenoble, en est un exemple.

Merci de vous référer à la section Le plus de l'offre pour des informations détaillées sur la mission scientifique et les principales activités associées à la thèse.

about you

  • Vous avez un niveau BAC+5 ou supérieur (Typiquement un diplôme d'ingénieur ou un master). Une spécialisation en IA et traitement du signal radio est privilégiée ;
  • des compétences en électronique numérique et FPGA, ainsi qu'en SDR est un plus.

    Une première expérience impliquant la réalisation de réseaux de neurones est privilégiée. Si ces réseaux ont été utilisés pour du traitement du signal radio cela serait un plus.

    Une expérience impliquant la programmation de FPGA ou la réalisation d'une expérimentation avec SDR serait également un plus.

    Vous possédez les compétences suivantes :

  • de bonnes connaissances dans les techniques IA et plus spécifiquement en réseaux de neurones profonds : connaissances théoriques et pratiques, langage Python et librairies associées (TensorFlow, Keras) ;
  • des connaissances de base en traitement numérique du signal : par ex. filtrage, égalisation, synchronisation, modulation, code correcteur ;
  • des compétences en électronique numérique et programmation sur FPGA seraient un plus ;
  • être à l'aise avec une plateforme d'expérimentation radio en laboratoire ;
  • avoir des connaissances en SDR (Software Defined Radio) est un plus ;
  • savoir faire preuve d'autonomie tout au long de son travail de thèse ;
  • avoir une capacité de prise de recul sur les travaux d'autrui et sur les siens ;
  • présenter des capacités d'analyse et d'interprétation ;
  • des compétences en anglais écrit et parlé sont nécessaires.
  • additional information

    Objectif scientifique - verrous à lever

    L'objectif de la thèse est d'explorer l'utilisation de réseaux de neurones pour réaliser les opérations classiques de traitement numérique du signal.

    Une comparaison entre le réseau de neurones et le ou les algorithmes classiques qu'il remplace est attendue. Cette comparaison devra s'effectuer non exhaustivement sur les performances de taux d'erreurs binaires, ainsi que de complexité, et les conséquences sur la consommation d'énergie seront analysées.

    Cette étude se placera dans le contexte de la 5G et de l'IoT, ce qui pourra induire une acquisition de connaissances basiques sur l'interface radio 5G.

    Dans un premier temps, des résultats sont attendus en simulation. Ces simulations permettront d'effectuer une première comparaison entre les réseaux de neurones et les algorithmes de traitement classiques.

    Dans un second temps, des expérimentations seront réalisées. Ces expérimentations pourront être conduites en laboratoire, notamment à l'aide de SDR.

    L'objectif premier est d'analyser le comportement du réseau de neurones lorsque le traitement du signal est effectué sur un système réel, apportant un certain nombre de contraintes : défaut de synchronisation en temps et en fréquence, bruit de quantification, canal de propagation évolutif ces contraintes pouvant être parfois difficiles à simuler.

    Une comparaison entre les résultats de simulation et d'expérimentation sera effectuée. Un second objectif est de tester la capacité d'un tel système à continuer son apprentissage en parallèle des traitements classiques.

    Cet apprentissage permettrait au système une adaptation continue aux conditions locales, entraînant une amélioration des performances.

    Ces expérimentations pourront également être réalisées par programmation des réseaux de neurones sur FPGA ; cette dernière option facilitant les comparaisons de complexité.

    Une étude sur la pertinence de l'utilisation de la reconfiguration dynamique partielle pour de tels systèmes est envisagée.

    Les verrous techniques et scientifiques à relever sont :

  • Pertinence d'un schéma DNN dans le cadre d'un fonctionnement générique.
  • Permettre une continuité de l'apprentissage en ligne des modèles.
  • Implémentation de DNN sur FPGA.
  • Comptabilité avec un fonctionnement en stream réaliste.
  • Approche méthodologique-planning

    Le déroulement de la thèse est prévu comme suit :

  • T0 : Le doctorant effectuera un état de l'art des techniques IA pour le traitement numérique du signal. En vue de réaliser des expérimentations, il pourra s'informer sur les techniques IA disponibles dans les langages permettant une communication avec des SDR (Python, GNURadio, Matlab ).
  • Il pourra également s'informer sur les techniques IA disponibles en programmation FPGA.

  • T0 + 6 mois : Le doctorant devra ensuite concevoir un ou des réseaux de neurones permettant d'effectuer une ou plusieurs opérations de traitement du signal sélectionnées.
  • Ce travail donnera lieu à une contribution à la communauté scientifique.

  • T0 + 12 mois : Le doctorant effectuera ensuite un ensemble d'expérimentations et comparera les résultats à ceux issus des simulations.
  • Dans le cadre de ces expérimentations, il testera également la capacité d'un tel système à poursuivre son apprentissage.

    Ce travail donnera lieu à une ou plusieurs contributions à la communauté scientifique.

  • T0 + 30 mois : Le doctorant rédigera le manuscrit de thèse. (6 mois).
  • department

    L'équipe CITY, présente sur le site de MEYLAN, est spécialisée dans le domaine des solutions de connectivité IoT pour les cas d'usages LPWA (Low Power Wide Area).

    Les technologies étudiées sont à la fois non-3GPP (LoRa) et 3GPP (LTE-M, NB-IoT, 5G). Nos compétences sont axées sur les technologies radio et les réseaux d'accès.

    Qu'est ce qui fait la valeur ajoutée de cette offre ?

    Cette thèse porte un sujet au coeur de l'innovation, explorant l'utilisation de l'IA pour le traitement du signal et recherchant notamment une mise en conditions réelles de cette utilisation.

    Références :

    1 N. E. West and T. O'Shea, "Deep architectures for modulation recognition," 2017 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN), Piscataway, NJ, 2017, pp. 1-6.

    2 M. Kim, et al., "Deep Learning-Aided SCMA," in IEEE Communications Letters, vol. 22, no. 4, pp. 720-723, April 2018.

    3 Y. Wang et al., "A Unified Deep Learning Based Polar-LDPC Decoder for 5G Communication Systems," 2018 10th International Conference on Wireless Communications and Signal Processing (WCSP), Hangzhou, China, October 2018.

    4 W. Xu, Z. Wu, Y. Ueng, X. You and C. Zhang, "Improved polar decoder based on deep learning," 2017 IEEE International Workshop on Signal Processing Systems (SiPS), Lorient, 2017, pp. 1-6.

    5 T. J. O'Shea, T. Roy and T. C. Clancy, "Over-the-Air Deep Learning Based Radio Signal Classification," in IEEE Journal of Selected Topics in Signal Processing, vol.

    12, no. 1, pp. 168-179, Feb. 2018.

    Thesis

    Postuler
    Ajouter aux favoris
    Retirer des favoris
    Postuler
    Mon email
    En cliquant sur « Continuer », je consens au traitement de mes données et à recevoir des alertes email, tel que détaillé dans la Politique de confidentialité de neuvoo. Je peux retirer mon consentement ou me désinscrire à tout moment.
    Continuer
    Formulaire de candidature