Thèse Contrôle Agentique Fiable pour les Réseaux sans Fil Basés sur Jumeaux Numériques en Présence d'Incertitudes et d'Écarts Réalité-Modèle H/F

Doctorat_Gouv

Établissement : Université de Lorraine
École doctorale : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire de recherche : CRAN - Centre de Recherche en Automatique de Nancy
Direction de la thèse : Moufida MAIMOUR ORCID 0000000200576128
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-19T23:59:59

Un jumeau numérique (JN) fournit une représentation virtuelle d'un système physique et est largement utilisé pour la supervision et l'aide à la décision. Les JNs de réseaux sans fil ont récemment été formalisés [2] et sont considérés comme des briques essentielles du contrôle autonome des réseaux [3]. Du point de vue IA, un JN comprend deux couches. La première repose sur des modèles descriptifs et prédictifs permettant d'estimer l'état du système. Nos travaux ont montré la difficulté de concevoir de tels JN et de maintenir une fidélité entre le virtuel et le réel dans l'IIoT [4]. La seconde couche concerne les mécanismes de décision construits au-dessus du JN : des politiques d'action y sont élaborées afin de contrôler, en boucle fermée, le comportement du système physique. Le JN devient alors un élément actif du cycle perception-décision-action. Les approches de modélisation et de simulation multi-agents permettent de représenter ces dynamiques complexes [5].
Le contrôle autonome s'inscrit naturellement dans des abstractions fondées sur les agents, depuis les cadres théoriques initiaux [6] jusqu'aux approches actuelles d'IA agentique [7]. Dans les architectures O-RAN et Edge, ces paradigmes contribuent à améliorer l'allocation distribuée des ressources [8,9], le plus souvent via l'apprentissage par renforcement multi-agents pour optimiser les performances [10,11]. Néanmoins, la majorité des approches agentiques et basées sur l'apprentissage se concentrent surtout sur la maximisation des performances et supposent implicitement l'existence d'une représentation fiable de l'environnement. Or, les modèles internes - appris, simulés ou fondés sur des JN - peuvent s'écarter du comportement réel du système physique, en raison d'hypothèses de modélisation, retards d'observation, changements environnementaux ou dynamiques non stationnaires. Ces écarts, parfois invisibles, soulèvent des questions sur la fiabilité et la crédibilité des décisions prises par des agents autonomes. Avec l'augmentation du niveau d'autonomie, les agents doivent opérer dans des conditions d'observabilité partielle, d'incertitude et de fidélité de modèle évolutif [12]. Lorsque des agents autonomes, par exemple fondés sur l'apprentissage par renforcement fédéré [13], agissent à travers un JN imparfait, leurs actions modifient les dynamiques mêmes du système qu'ils observent. Les décisions sont alors prises à partir de représentations incomplètes ou biaisées. Un risque majeur apparaît lorsque des performances apparemment satisfaisantes coexistent avec un raisonnement interne incorrect, pouvant conduire à des phénomènes de 'dérive silencieuse', d'instabilité ou à des comportements dangereux. Contrairement aux approches visant une 'performance à tout prix', cette thèse se concentre sur la fiabilité du processus décisionnel. La question centrale est : comment des systèmes d'IA peuvent-ils prendre des décisions fiables et sûres lorsqu'ils opèrent sur des réseaux sans fil dynamiques via un JN imparfait et évolutif ? Cette thèse vise à analyser les mécanismes de décision dans des boucles de contrôle reposant sur des JN, en considérant les réseaux sans fil comme un cas représentatif de systèmes dynamiques complexes. Les principaux objectifs sont :
- concevoir des mécanismes de contrôle garantissant un comportement stable malgré les imprécisions du JN, en intégrant la détection d'incertitude et des stratégies de décision contrainte ou de dégradation maîtrisée, inspirées de l'apprentissage par renforcement sûr[14] ;
- développer des modèles causaux adaptatifs capables de distinguer changements structurels et biais de modélisation afin de préserver la validité du raisonnement décisionnel en contexte non stationnaire ;
- étudier les limites de l'autonomie dans des réseaux de grande dimension et concevoir des mécanismes de coordination décentralisés et fédérés, conciliant autonomie locale, stabilité globale et frugalité des ressources.

Les architectures réseau émergentes (O-RAN, Edge) intègrent des mécanismes d'IA et des jumeaux numériques pour permettre un contrôle autonome des infrastructures sans fil. Cependant, les décisions d'agents autonomes reposent souvent sur des modèles imparfaits du système réel. Cette thèse étudie comment garantir des décisions fiables dans ces environnements dynamiques et incertains.