Mise à l’échelle des jumeaux numériques de réseau par une gestion adaptative de la fidélité

Les futurs systèmes de communication, tels que les réseaux 6G, évoluent vers des infrastructures hautement distribuées, autonomes et hétérogènes, intégrant des architectures de continuum cloud-edge, l’Open RAN (O-RAN), des déploiements massifs d’objets connectés (IoT), l’informatique en périphérie (edge computing) et des environnements radio particulièrement dynamiques.

Ces systèmes devront prendre en charge des services exigeants tels que les communications critiques, l’automatisation industrielle, la mobilité autonome et les applications immersives, tout en fonctionnant dans des conditions caractérisées par un trafic fortement variable, des changements fréquents de topologie, une disponibilité fluctuante des ressources ainsi que des exigences strictes en matière de latence et de fiabilité.

La gestion de tels systèmes, notamment pour réaliser des opérations de configuration, d’optimisation et d’évolution sans risque, devient de plus en plus complexe. Cette difficulté est particulièrement marquée lorsqu’il s’agit d’effectuer une optimisation du réseau en temps réel, des analyses prospectives (« what-if »), du diagnostic de pannes ou encore de planifier des mises à niveau et des extensions du réseau.

Afin de répondre à ces défis, plusieurs initiatives de recherche récentes se sont intéressées à l’application du paradigme des jumeaux numériques aux réseaux de communication, donnant naissance au concept de "Network Digital Twins (NDTs)" ou "jumeaux numériques de réseau".

Un jumeau numérique de réseau est une représentation virtuelle d’un réseau de communication qui reste suffisamment synchronisée avec l’infrastructure physique pour reproduire son état opérationnel et son comportement, permettre des analyses prédictives et évaluer des scénarios hypothétiques avant l’application de décisions au système réel.

Cependant, maintenir un NDT précis et temporellement cohérent dans des réseaux de grande échelle et fortement dynamiques demeure un défi majeur.

Les NDT actuels reposent principalement sur des mécanismes explicites de synchronisation afin de préserver la fidélité entre les systèmes physique et virtuel. Bien que des travaux récents aient introduit des mécanismes de prédiction assistés par l’intelligence artificielle pour réduire la surcharge liée à cette synchronisation, ces approches ne résolvent pas entièrement le problème de l’adaptation dynamique de la fidélité du NDT en fonction de l’incertitude des prédictions, de la valeur de l’information, de la dynamique du réseau et des exigences opérationnelles.

La fidélité adaptative peut être interprétée comme un mécanisme de représentation multi-résolution, dans lequel le jumeau numérique ajuste dynamiquement sa granularité d’observation, son coût de synchronisation et sa précision de reconstruction en fonction de la valeur de l’information, de l’incertitude prédictive, de la dynamique du réseau et des ressources disponibles.

L’objectif principal de cette thèse de doctorat est de concevoir, développer et valider un cadre de gestion adaptative de la fidélité (Adaptive Fidelity Management) permettant la mise en œuvre de jumeaux numériques de réseau évolutifs, efficaces en ressources et adaptés aux futurs systèmes de communication.

Détection d'anomalies dans les vidéos adaptative et explicable

La détection d'anomalies dans les vidéos (VAD) vise à identifier automatiquement les événements inhabituels dans des séquences vidéo qui s’écartent des comportements normaux. Les méthodes existantes reposent souvent sur l'apprentissage One-Class ou faiblement supervisé : le premier n'utilise que des données normales pour l'entraînement, tandis que le second s'appuie sur des labels au niveau de la vidéo. Les récents progrès des modèles Vision-Langage (VLM) et des grands modèles de langage (LLM) ont permis d’améliorer à la fois les performances et l’explicabilité des systèmes VAD. Malgré des résultats prometteurs sur des jeux de données publics, plusieurs défis subsistent. La plupart des méthodes sont limitées à un seul domaine, ce qui entraîne une baisse de performance lorsqu'elles sont appliquées à de nouveaux jeux de données avec des définitions d’anomalies différentes. De plus, elles supposent que toutes les données d'entraînement sont disponibles dès le départ, ce qui est peu réaliste dans des contextes d’utilisation réels où les modèles doivent s’adapter continuellement à de nouvelles données. Peu d’approches explorent l’adaptation multimodale en utilisant des règles en langage naturel pour définir les événements normaux ou anormaux. Or, cela permettrait une mise à jour plus intuitive et flexible des systèmes VAD sans nécessiter de nouvelles vidéos.

Ce sujet de thèse a pour objectif de développer des méthodes de détection d’anomalies vidéo adaptables, capables de traiter de nouveaux domaines ou types d’anomalies en s’appuyant sur peu d’exemples vidéo et/ou des règles textuelles.

Les axes de recherche principaux seront les suivants :
• Adaptation interdomaines en VAD : améliorer la robustesse face aux écarts de domaine via une adaptation Few-Shot ;
• Apprentissage continu en VAD : enrichir le modèle en continu pour traiter de nouveaux types d’anomalies ;
• Apprentissage multimodal en Few-Shot : faciliter l’adaptation du modèle à l’aide de règles en langage naturel.

Apprentissage informé par la physique pour les problèmes inverses acoustiques : reconstruction de champs, détection et analyse de détectabilité en environnements complexes

Cette thèse vise à développer un cadre mathématique et algorithmique pour la résolution de problèmes inverses acoustiques en environnements complexes, fondé sur l’apprentissage informé par la physique. En intégrant explicitement l’équation des ondes dans des architectures d’intelligence artificielle, l’objectif est d’améliorer la reconstruction de champs acoustiques à partir de mesures partielles, la localisation de sources mobiles et l’analyse quantitative de leur détectabilité. Le projet combine modélisation des équations aux dérivées partielles, optimisation contrainte et apprentissage profond hybride. Les applications concernent les systèmes de perception acoustique distribuée et la détection de plateformes mobiles.