Votre rôle
Votre rôle est de réaliser un travail de thèse sur l’optimisation du design (via des modèles d'IA) d’amplificateurs Raman discrets et distribués,etdes systèmes de transmission optique multi-bandes associés.
Pour accroître la bande passante des fibres optiques, une solution consiste à exploiter de nouvelles bandes d’amplification (O, E, S, L, U). Comparés aux amplificateurs à fibre dopée Erbium, les amplificateurs Raman offrent l’avantage d’amplifier le signal optique sur des plages spectrales autres que la bande C. Ils permettent, grâce au multiplexage de plusieurs longueurs d'onde de pompe, d’obtenir des spectres de gain plus étendues. Néanmoins, la diffusion Raman stimulée (SRS), qui est mise à profit pour obtenir le gain, rend difficile l’obtention de gain uniforme sur toute la bande du fait des échanges d'énergie entre bandes. Pour atténuer cet effet, une approche consiste à calibrer et optimiser les paramètres (nombre et valeurs des longueurs d’onde de pompes, puissance des pompes) de l’amplificateur Raman. Cependant, cette optimisation est complexe, car le SRS est modélisé par un système d’équations différentielles non linéaires couplées, dépourvues de solution analytique et dont la résolution via des méthodes numériques est coûteuse en temps de calcul. Dans ce contexte, une approche prometteuse repose sur l’utilisation de modèles d’IA pour calibrer automatiquement les paramètres des amplificateurs. On généralisera cette approche à la compensation de l’effet du SRS dans une ligne de transmission optique multi-bandes via l'ajustement des paramètres des amplificateurs Raman discrets et distribués.
L’objectif de la thèse est d’évaluer la pertinence de nouveaux modèles d’IA pour l’optimisation des paramètres des amplificateurs Raman. Les approches supervisées classiques reposent sur l’exploitation de larges ensembles de données, ce qui ne les rend pas nécessairement adaptées à la recherche de configurations optimales. Par rapport à cette approche de type «boite noire », une approche alternative en deux temps est envisagée.
Dans un premier temps, l’accent sera mis sur la modélisation du SRS à l’aide de techniques avancées de Deep Learning, basées notamment sur les réseaux de neurones de type "Physics-Informed Neural Networks (PINN)", "Deep Unfolding" et "Parametric Networks". L’objectif est de développer un modèle à très faible complexité capable de capturer les dynamiques sous-jacentes de l’amplification Raman en intégrant les connaissances physiques du phénomène.
Dans un second temps, ces modèles seront exploités pour aborder la problématique inverse, à savoir l’optimisation des paramètres des amplificateurs. Cette optimisation sera réalisée à l’aide de techniques d'IA telles le "Deep Learning" et le "Reinforcement Learning", en définissant en amont les métriques adaptées au problème.
L’intérêt de ces approches devra êtrevalidé aussi bien en simulationque sur le banc de transmission optique multi-bandes du laboratoire d’Orange INNOV.
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.