Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Thèses   /   Modèles d'apprentissage profond pour le décodage des codes LDPC

Modèles d'apprentissage profond pour le décodage des codes LDPC

Data intelligence dont Intelligence Artificielle Défis technologiques Réseaux de communication, internet des objets, radiofréquences et antennes

Résumé du sujet

Le codes correcteurs d'erreurs jouent un rôle essentiel pour garantir l'intégrité des données dans de nombreuses applications, comme le stockage, la transmission, ou la mise en réseau des données. Au cours des dernières années, de nouvelles interactions sont apparues entre la théorie du codage et l’apprentissage automatique, considéré comme un moyen prometteur de surmonter les limitations des solutions existantes, notamment pour les codes de faible à moyenne longueur. Pour de nombreuses constructions connues de codes correcteurs, il s’avère que ces limitations sont principalement dues à l’algorithme de décodage, plutôt qu’à la capacité intrinsèque de correction du code. Cependant, trouver des modèles d'apprentissage automatique s'appliquant aux spécificités des codes correcteurs est difficile, et les recherches actuelles sont encore confrontées à un écart important par rapport aux limites fondamentales en longueur finie.

Ce projet de thèse vise à élargir les connaissances actuelles sur l’utilisation de l'apprentissage automatique pour le décodage des codes de parité à faible densité (codes LDPC), dans plusieurs directions. Premièrement, il étudiera les méthodes d'apprentissage d'ensemble, dans lesquelles plusieurs modèles sont entrainés pour résoudre le problème de décodage et combinés pour obtenir de meilleurs résultats. Des méthodes spécifiques seront conçues pour garantir la diversité des modèles individuels et couvrir toute la variabilité de la structure du code. Deuxièmement, il explorera la distillation des connaissances pour transférer les performances supérieures d'un ensemble vers un modèle unique, ou plus généralement d'un grand modèle vers un plus petit. Troisièmement, le projet étudiera les stratégies de décodage basées sur le syndrome, afin de permettre l'utilisation de modèles puissants de réseaux neuronaux, plutôt que les modèles actuels basés sur la propagation des croyances, libérant ainsi toute la puissance des méthodes proposées d'apprentissage d'ensemble et de distillation de connaissances.

Le doctorant sera accueilli au CEA-Leti à Grenoble au sein d’une équipe de recherche experte en traitement du signal pour les télécommunications (http://www.leti-cea.fr/cea-tech/leti/Pages/recherche-appliquee/plateformes/plateforme-telecommunications.aspx).

Laboratoire

Département Systèmes (LETI)
Service Technologies Sans Fils
Laboratoire Signal Protocoles et Plateformes Radio
Top envelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down