Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

16 octobre 2019

Stage de PFE/M2 à l'IRT bcom (Rennes) : Apprentissage automatique pour l’estimation de canal massivement multi-antennes


Catégorie : Stagiaire


L'institut de recherche technologique (IRT) b<>com propose un stage de fin d'étude/M2 (avec poursuite en thèse possible) intitulé "Apprentissage automatique pour l’estimation de canal massivement multi-antennes (Machine learning for massive MIMO channel estimation)" sur son site de Rennes.

 

Apprentissage automatique pour l’estimation de canal massivement multi-antennes (Machine learning for massive MIMO channel estimation)

 

Description détaillée :

L’avènement des technologies multi-antennes (MIMO) augure de substantielles augmentations de débit et réductions de consommation pour les futurs systèmes de communication sans fil (5G, 6G).

Cependant, celles-ci sont conditionnées par la conception de traitements performants de complexité contrôlée. En particulier, il est nécessaire d’estimer le canal de propagation afin d’en tirer le meilleur parti.

Classiquement, l’estimation est effectuée à l’aide d’un modèle génératif du canal basé sur la physique de la propagation. La pertinence de la méthode est alors dépendante de la précision du modèle, et souffre éventuellement des hypothèses simplificatrices considérées par celui-ci.

Récemment, la concomitance de capacités de calcul importantes et de grandes bases de données disponibles a permis de s’affranchir de la construction explicite d’un modèle. Dans ce cas, les traitements sont élaborés directement à partir des données. Un tel paradigme, connu sous le nom d’apprentissage automatique, a mené à des avancées importantes dans de nombreux domaines (traitement d’image, audio, etc.). Peut-on concevoir des méthodes d’estimation de canal MIMO qui répondent de ce paradigme ? Celles-ci permettent-elles de dépasser les limitations associées aux modèles physiques ? Est-il possible d’envisager des méthodes hybrides pour profiter à la fois des lois de la physique et des données disponibles ? Peut-on accélérer les algorithmes d’estimation basés sur un modèle physique en utilisant des techniques apparentées à l’apprentissage automatique ? Ces questions seront abordées durant le stage.

Sur la base des développements entrepris dans le laboratoire sur le sujet, un plan de travail indicatif prévoit deux phases :

1. 1. Familiarisation avec les systèmes MIMO et les modèles de propagation classiques, ainsi qu’avec les techniques d’apprentissage automatique pertinentes;

 

2. 2. Conception d’algorithmes d’estimation mêlant les deux visions.

Le Profil recherché :

Le stage est ouvert à tout candidat faisant preuve d’un intérêt pour les mathématiques appliquées (analyse, probabilités, traitement de signal statistique), sensibilisé à l’apprentissage statistique et/ou aux systèmes de communication sans fil et attiré par la recherche. Il développera des aptitudes à la modélisation de problèmes issus de la physique et à la conception et l’implémentation d’algorithmes d’apprentissage automatique. Les développements informatiques s’effectueront en langage Python. L'étudiant bénéficiera d’un encadrement pluridisciplinaire solide dont l’objectif est de contribuer à des innovations majeures en traitement de données. Le stage pourra mener à une thèse.

Modalités :

Durée : 5-6 mois

Date de démarrage : 1er trimestre 2020

Localisation : Cesson-Sévigné (Rennes)

Date de fin de dépôt des candidatures : 22 décembre 2019

Candidature à envoyer à : luc.lemagoarou@b-com.com

À propos de b<>com :

b<>com est un Institut de Recherche Technologique (IRT) dont la mission est d’accélérer grâce à la recherche et l’innovation dans les technologies numériques la mise sur le marché d’outils, de produits et de services améliorant notre vie quotidienne. b<>com innove dans les domaines de l’hypermédia, des réseaux fixes et mobiles de 5ième génération et de la médecine du futur.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2020.