OK

Thèse - Optimisation conjointe à l'aide d'un apprentissage par renforcement d'un code correcteur d'erreurs et de son décodeur - F/H

ref : 0033296 | 11 mai 2021

date limite de candidature : 08 sept. 2021

4 rue du clos Courtel 35510 CESSON SEVIGNE - France

votre rôle

Votre rôle est d'effectuer un travail de thèse sur : « Optimisation conjointe à l'aide d'un apprentissage par renforcement d'un code correcteur d'erreurs et de son décodeur pour des transmissions mobiles »

Le Codage Canal est une brique essentielle des systèmes de communication mobile, l'organisme de normalisation le 3GPP a lancé des groupes de travail pour définir la future norme 6G. Les contraintes pour le codage canal sont une grande flexibilité de la taille des données traitées avec une performance pour accrue par rapport à l'existant. Orange est un acteur majeur au sein du 3GPP où avec d'autres partenaires nous avons orienté le standard pour prendre en compte les aspects énergétiques. Le décodage canal est la partie la plus énergivore de la couche physique. Pour répondre aux nouveaux cahiers des charges du 3GPP, l'apport de l'Intelligence Artificielle pour construire de nouveaux codes correcteurs d'erreur sera un atout important.

L'utilisation des techniques d'apprentissage profond (deep learning, DL) dans le domaine de la radio apparait de plus en plus dans la littérature technique [1, 2]. Cette technique issue de l'IA (Intelligence Artificielle) permet l'optimisation globale des ressources radios. Elle peut aussi être appliquée pour améliorer les traitements de signal de réception (démodulation, égalisation, décodage des codes correcteurs, ...) sur des terminaux aux ressources en énergie limitée. Une troisième possibilité, encore peu explorée, est d'utiliser le DL pour construire des schémas de transmission (couple codage-modulation) optimisés (en performance, en énergie, …). Le principal avantage est qu'il s'agit d'un processus d'optimisation qui n'a pas de contrainte de "temps réel", et qu'il peut donc se faire dans un premier temps sur des calculateurs ayant de bonnes ressources en CPU.

[1] T. O'Shea and J. Hoydis, "An Introduction to Deep Learning for the Physical Layer," in IEEE Transactions on Cognitive Communications and Networking, vol. 3, no. 4, pp. 563-575, Dec. 2017, doi: 10.1109/TCCN.2017.2758370.

[2] H. Kim, S. Oh and P. Viswanath, "Physical Layer Communication via Deep Learning," in IEEE Journal on Selected Areas in Information Theory, vol. 1, no. 1, pp. 5-18, May 2020, doi: 10.1109/JSAIT.2020.2991562.

Objectif scientifique - verrous à lever

Il s'agit de développer et de mettre en oeuvre une méthode d'optimisation « decoder in the loop » [3, 4] dans laquelle l'optimisation sera guidée par une évaluation des performances (taux d'erreur par trame typiquement) obtenue par une émulation sur FPGA. Outre ce développement technique, le candidat devra aussi proposer des méthodes d'optimisation rapide et efficace permettant de trouver rapidement une solution à un jeu de contrainte donnée dont la taille des codes et la consommation d'énergie.

[3] A. Elkelesh, M. Ebada, S. Cammerer, L. Schmalen,S. Ten Brink: "Decoder-in-the-Loop: Genetic optimization-based LDPC code design", IEEE Access, vol. 7, 2029, DOI: 10.1109/ACCESS.2019.2942999.

[4] L. Huang, H. Zhang, R. Li, Y. Ge, J. Wang: "AI Coding: Learning to construct error correction codes", arXiv:1901.05719v2, oct. 2019

votre profil

Vous êtes titulaire d'un diplôme d'ingénieur dans le domaine des réseaux et des télécoms et/ou d'un master de recherche
Les compétences requises pour cette thèse sont :

. Maîtrise du traitement du signal et des communications numériques

. Connaissance dans le domaine des codes correcteurs d'erreurs et de l'Intelligence Artificielle. Bonne connaissance des outils de programmation Python et Matlab ainsi que la programmation sur FPGA

. Anglais

Une première expérience dans le domaine des communications numériques est souhaitable

le plus de l'offre

Orange est très active sur le codage canal depuis des dizaines d'années. Orange Labs participe aux standards de normalisation pour promouvoir ces solutions et mettre l'accent sur la diminution de la consommation d'énergie des systèmes de communication.

L'objectif principal est de mettre en oeuvre une optimisation conjointe du code et de son algorithme de décodage. La famille des codes LDPC est celle qui est retenue pour le début de l'étude. Cela signifie qu'une améliorer de l'algorithme de décodage par propagation de croyance à l'aide d'un apprentissage par renforcement sera privilégiée. L'optimisation conjointe visera à favoriser une réduction de la consommation de l'implémentation du décodeur pour un niveau de performance conforme aux recommandations du cadre applicatif.

La pertinence des métriques caractérisant le décodage qui sont nécessaires pour l'optimisation combinatoire est primordiale afin de garantir une optimisation conjointe. C'est pourquoi, la justesse et la finesse des modèles associés aux métriques de caractérisation de l'algorithme de décodage et de son implémentation matérielle feront l'objet d'une attention particulière.

Dans ce cadre, il s'avère essentiel de pouvoir estimer rapidement les performances de décodage d'un code LDPC et également d'évaluer précisément le coût (complexité calculatoire, débit, consommation…) de l'implémentation du décodeur résultant.

Par la suite nous intégrerons d'autres modules de la couche physique pour évaluer les performances liées à l'apport de l'IA dans la conception des nouveaux Modems de communication numérique.

entité

Au sein de la Division Technology and Global Innovation dont l'ambition est de porter plus loin l'innovation d'Orange et de renforcer son leadership technologique.

Le thésard intègrera l'équipe Connectivity TEchnologies (CTE) du département Radio InnOvation (RIO) de la direction Radio Networks & Microwaves d'Orange Labs. L'équipe CTE a pour mission d'étudier l'évolution des technologies « Wireless », et plus particulièrement le WiFi et les réseaux mobiles 5G.

contrat

Thèse

Orange

Happy Candidates - Happy AT WORK top employer FR

en savoir plus sur nos  étapes de recrutement

Le Groupe Orange

83%

des salariés sont fiers de travailler pour Orange

81%

recommandent Orange comme une entreprise où il fait bon travailler

N°2

en France dans le classement Happy Candidates avec une note de 8.6/10 dans la catégorie des entreprises de plus de 1000 salariés

dessin mixite

Orange obtient depuis 2014 le label sur la mixité hommes/femmes (Gender Equality European Standard)