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, et des 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), 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 de l’amplificateur Raman. Cette optimisation est complexe, car le SRS est modélisé par un système d’équations différentielles non linéaires couplées. 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.
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, adaptées à la recherche de configurations optimales. Par rapport à cette approche de type “ boite noire “, une approche alternative en deux temps est envisagée.
D’abord, 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. 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.
Pui 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”.
L’intérêt de ces approches devra être validé aussi bien en simulation que sur le banc de transmission optique multi-bandes du laboratoire d’Orange INNOV.

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste 
.       Bonnes Connaissances en communications numériques et optiques (technologies de transmission optique sur fibre).
.       Connaissances en IA, techniques de machine learning et réseaux de neurones.
.       Connaissances théoriques solides et bonnes capacités d’abstraction.
.       Appétence pour l’expérimentation.
.       Compétences en programmation en Python ou en Matlab.
.       Ouverture d’esprit et curiosité.
.       Capacité à s’exprimer et à écrire en anglais en contexte professionnel.
Formation demandée (master, diplôme d’ingénieur, doctorat, domaine scientifique et technique …) 
.       Master ou diplôme d’ingénieur en communications numériques / systèmes photoniques.
Expériences souhaitées (stages, …)
Idéalement un ou plusieurs stages dans une entreprise ou un laboratoire de recherche sur un sujet en lien avec les systèmes photoniques ou plus généralement les communications numériques.