Thèse Allocation Sémantique des Ressources Radio et Apprentissage de l'Activité Spectrale pour les Réseaux 6G Natifs en IA H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : Laboratoire Interdisciplinaire des Sciences du Numérique Direction de la thèse : Kinda KHAWAM ORCID 0000000308716209 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-08-30T23:59:59 Les futurs réseaux 6G devraient intégrer l'intelligence artificielle comme composante native de leur fonctionnement et dépasser la simple transmission fiable de bits. Les communications sémantiques visent à transmettre l'information la plus utile pour une tâche donnée, comme la classification, la détection ou la décision. Les réseaux natifs en IA devront également apprendre et anticiper l'activité spectrale à partir d'observations partielles, bruitées et distribuées, afin d'identifier les ressources disponibles et d'adapter les transmissions.L'objectif de cette thèse est de concevoir un cadre d'orchestration radio sémantique pour les réseaux 6G natifs en IA. Contrairement aux mécanismes classiques, qui optimisent le SINR, le débit, l'efficacité spectrale ou la latence, l'approche proposée prendra conjointement en compte la valeur sémantique de l'information, l'activité spectrale observée ou prédite, les conditions de canal ainsi que les contraintes d'énergie, de latence et d'équité.Un premier axe portera sur l'apprentissage de l'activité spectrale. Il s'agira d'inférer l'occupation du spectre, la présence de signaux, les modulations ou schémas de transmission, voire les collisions, à partir d'échantillons en phase et en quadrature ou d'autres mesures radio. Les contraintes réalistes incluront notamment des fenêtres d'observation courtes, un faible SNR, l'hétérogénéité des terminaux, des canaux non stationnaires, la rareté des données annotées et des observations distribuées. La thèse étudiera l'adaptation de la durée d'observation, la coopération entre terminaux avant transmission vers un noeud de fusion et la mise à jour en ligne de modèles préentraînés.Un deuxième axe concernera la définition d'une qualité d'expérience sémantique combinant fidélité à la tâche, latence, consommation énergétique, usage des ressources radio, robustesse et équité. Le défi sera de proposer une métrique pertinente au niveau applicatif et directement exploitable par le réseau pour l'ordonnancement et l'allocation des ressources.L'axe central développera des algorithmes conjoints d'allocation des ressources, sensibles au spectre et à la sémantique. Ils décideront quels utilisateurs ou flux servir, quelles unités sémantiques transmettre, quelles puissances, bandes passantes et durées allouer, et comment partager les ressources entre détection et communication. Des approches d'optimisation, de théorie des jeux, d'apprentissage par renforcement et d'apprentissage en ligne seront explorées.Enfin, la thèse étudiera l'adaptation dynamique des modèles de détection, de communication sémantique et de contrôle radio. Selon l'état du spectre, les budgets énergétiques et les contraintes de latence, le système pourra ajuster la durée d'observation, le débit sémantique, la profondeur active du modèle, le nombre de symboles transmis ou la taille de la représentation latente.Les contributions attendues comprennent des méthodes d'apprentissage de l'activité spectrale pour des terminaux distribués et contraints, un modèle de qualité d'expérience sémantique, des mécanismes légers d'estimation de l'importance, ainsi que des algorithmes conjoints de détection, d'adaptation des modèles et d'allocation des ressources radio. L'évaluation reposera sur la fidélité à la tâche, la précision de détection, la latence, l'efficacité énergétique et spectrale, l'équité, la robustesse et le coût de signalisation. Les réseaux 6G devraient intégrer nativement l'intelligence artificielle pour adapter les communications et la gestion des ressources. Les communications sémantiques privilégient l'information utile à une tâche, tandis que l'apprentissage de l'activité spectrale permet d'identifier et d'anticiper l'occupation du spectre. Cette thèse vise à coupler ces deux dimensions avec l'allocation des ressources radio, sous contraintes de latence, d'énergie et de calcul. Concevoir des méthodes d'apprentissage permettant d'estimer et de prédire l'activité spectrale à partir d'observations radio partielles, bruitées et distribuées. Développer des mécanismes d'évaluation de l'importance sémantique de l'information transmise. Proposer des algorithmes conjoints d'adaptation des modèles et d'allocation des ressources radio tenant compte de l'état du spectre, de la valeur sémantique, de la latence, de l'énergie et de l'équité entre utilisateurs. La méthodologie combinera modélisation, apprentissage et expérimentation.

Le candidat devra être titulaire d'un Master 2 ou d'un diplôme d'ingénieur en informatique, télécommunications, réseaux, traitement du signal ou intelligence artificielle. De solides compétences en apprentissage automatique, optimisation, réseaux sans fil ou traitement du signal sont recherchées. Une bonne maîtrise de Python et des outils de simulation est attendue ; une expérience en apprentissage par renforcement, radio logicielle (SDR) ou communications sémantiques constituera un atout. Le candidat devra également faire preuve d'autonomie, de rigueur scientifique, de capacités de programmation et d'un bon niveau d'anglais écrit et oral.

• Python
• Programmation
• Anglais
• Intelligence artificielle
• Autonomie
• Traitement du signal
• Machine learning
• Logiciels de simulation-modélisation