Topic description
Le sujet proposé porte sur la conception et l’optimisation, pilotées par l’IA, d’amplificateurs de puissance (PA) à modulation de charge destinés aux systèmes sans fil 6G de prochaine génération, pour lesquels des débits extrêmes, un rendement énergétique élevé et une forte linéarité sont requis. L’étude vise à intégrer des techniques d’apprentissage automatique et d’optimisation évolutionnaire dans le flot de conception des PA, afin de permettre des compromis maîtrisés entre rendement, bande passante et linéarité en conditions de modulation de charge dynamique. Des modèles de circuits fondés sur la physique seront couplés à des modèles Surrogates et à l’apprentissage par renforcement, afin d’explorer de vastes espaces de conception tout en réduisant le coût de calcul. L’accent sera mis sur des architectures de modulation de charge en temps réel (ex. Doherty), mises en œuvre dans des technologies semiconductrices avancées telles que le GaN. Le projet vise en outre à établir des cadres de co-optimisation guidés par l’IA reliant les caractéristiques au niveau dispositif aux performances au niveau système. Les résultats attendus comprennent de nouvelles méthodologies de conception, des modèles comportementaux compacts et des prototypes validés expérimentalement démontrant un rendement élevé sur de larges bandes de modulation, ouvrant la voie à des front-ends RF 6G durables, adaptatifs et intelligents.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The proposed PhD research focuses on the AI-driven design and optimization of load-modulated power amplifiers (PAs) for next-generation 6G wireless systems, where extreme data rates, energy efficiency, and linearity are paramount. The study aims to integrate machine learning and evolutionary optimization techniques into the PA design flow to enable intelligent trade-offs between efficiency, bandwidth, and linearity under dynamic load modulation. Physics-based circuit modeling will be coupled with surrogate modeling and reinforcement learning to explore vast design spaces with reduced computational cost. Emphasis will be placed on real-time load modulation architectures (e.g., Doherty, Outphasing, and hybrid topologies) implemented in advanced semiconductor technologies such as GaN and InP. The project further seeks to establish AI-guided co-optimization frameworks linking device-level characteristics with system-level performance. Expected outcomes include novel design methodologies, compact behavioral models, and experimentally validated prototypes demonstrating high efficiency across wide modulation bandwidths, paving the way toward sustainable, adaptive, and intelligent 6G RF front-ends.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Pôle fr : Direction de la Recherche Technologique
Pôle en : Technological Research
Département : Département Systèmes (LETI)
Service : Service Technologies Sans Fils
Laboratoire : Laboratoire Architectures Intégrées Radiofréquences
Date de début souhaitée : 01-10-
Ecole doctorale : Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Directeur de thèse : Lauga Larroze Estelle
Organisme : Université Grenoble Alpes
Laboratoire : Laboratoire TIMA
Funding category
Public/private mixed funding
Funding further details
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.