Thèse Réseaux de Neurones Graphiques pour le Décodage Mimo Avancé H/F

Doctorat.Gouv.Fr

Les réseaux de neurones graphiques (GNN) représentent une avancée majeure en apprentissage automatique, conçue pour traiter des données structurées en graphes où les entités et leurs relations sont modélisées comme des noeuds et des arêtes [2]. Grâce à des mécanismes de transmission de messages, les GNN agrègent des informations provenant des noeuds voisins, permettant l'apprentissage de représentations riches qui captent à la fois les structures locales et globales du graphe. Les travaux fondateurs de Scarselli et les enquêtes ultérieures ont démontré la polyvalence des GNN dans de nombreux domaines [3].

L'intersection entre les GNN et le MIMO offre une opportunité de surmonter les défis des approches traditionnelles tout en atteignant potentiellement des performances quasi optimales. Dans les systèmes MIMO, le signal reçu peut être représenté sous forme de graphe où les noeuds correspondent aux symboles transmis et les arêtes encodent le couplage du canal entre les différents éléments d'antenne. Cette représentation graphique permet l'application d'architectures GNN afin d'apprendre des stratégies de décodage efficaces directement à partir de la structure du canal.
Dans le cadre de cette thèse, notre objectif est de développer de nouvelles architectures basées sur les GNN, spécifiquement adaptées au décodage MIMO, en abordant le compromis fondamental entre complexité de calcul et performance de décodage. Le but est d'atteindre une réduction d'un facteur dix de la complexité de calcul par rapport aux algorithmes de décodage optimal traditionnels, tout en maintenant une performance du taux d'erreur binaire (BER) à moins de 0,5 dB du décodage à vraisemblance maximale (ML).

Pour cela, nous explorerons la manière dont les représentations graphiques des canaux MIMO peuvent être construites de manière optimale, comment les architectures GNN peuvent être conçues pour exploiter les propriétés spécifiques des canaux sans fil, et comment ces approches peuvent être rendues robustes face aux conditions réelles du canal telles que l'évanouissement variable dans le temps, les interférences et l'information imparfaite sur l'état du canal. De plus, cette recherche étudiera la scalabilité des décodeurs basés sur les GNN aux systèmes MIMO massifs et leur adaptabilité aux différentes conditions de canal et schémas de modulation.

Le travail sera structuré en quatre étapes :
1. Évaluation des méthodes existantes : Réaliser une revue complète et une implémentation des décodeurs MIMO classiques et des décodeurs MIMO basés sur les GNN existants [4,5] afin d'établir des références de performance.
2. Construction adaptative du graphe : Développer des algorithmes pour la génération dynamique de graphes adaptés aux conditions de canal variables dans le temps.
3. Architectures GNN évolutives : Concevoir des modèles GNN capables de généraliser à travers diverses configurations de systèmes MIMO et ordres de modulation en utilisant l'apprentissage méta ou le transfert de connaissances.
4. Intégration de la robustesse : Intégrer des mécanismes de robustesse dans l'architecture GNN pour gérer les imperfections réelles telles que l'information imparfaite sur l'état du canal (CSI).
Continuation du projet de recherche dans le cadre d'un PhD track