MAPRENE-C - Modélisation d’amplificateurs de puissance à base de réseaux de neurones à valeurs complexes
Ce projet a été attribué.
Encadrants
- Germain PHAM (COMELEC)
- Emails: dpham@telecom-paris.fr
- Bureaux: 3B46
Nombre d'étudiant par instance du projet:
- Minimum: 3
- Maximum: 5
Nombre d'instances du projet :
1Sigles des UE couvertes et/ou Mots-clés :
INF113, SI101, COM103, IA101 — traitement du signal, télécoms, modélisation, réseaux de neurones, dérivées de Wirtinger, AsciiDoc, open-sourceImage
Description du projet :
Dans le monde actuel, dominé par les technologies de l’information et de la communication, l’efficacité des systèmes de transmission est cruciale. Les amplificateurs de puissance jouent un rôle essentiel dans la transmission des signaux, en particulier dans les applications télécoms où la qualité et la fiabilité de la transmission des signaux sont primordiales. Toutefois, la modélisation des amplificateurs de puissance représente un défi considérable en raison de leur complexité et des caractéristiques non linéaires des signaux traités.
La modélisation est un processus qui consiste à créer une représentation abstraite (un modèle) d’un système réel pour en étudier le comportement ou en prédire les performances. Dans le contexte de notre projet, cela implique la création d’un modèle numérique pour simuler le fonctionnement des amplificateurs de puissance.
Les réseaux de neurones sont des outils mathématiques très adaptés pour la modélisation de systèmes complexes comme les amplificateurs de puissance.
Une particularité des signaux de télécommunications est qu’ils sont représentés dans un espace à valeurs complexes. Cependant, alors que l’optimisation des réseaux de neurones (à valeurs réelles) est incroyablement documentée, l’optimisation des réseaux de neurones à valeurs complexes est encore un sujet mal documenté.
Objectifs du projet :
Notre premier objectif est de redécouvrir et de comprendre en profondeur les équations de base régissant l’optimisation des réseaux de neurones à valeurs complexes. Cette étape comprend l’étude théorique ainsi que l’analyse des travaux existants dans le domaine de l’optimisation des systèmes à valeurs réelles et puis complexes.
En fonction du nombre d’étudiants, plusieurs structures de réseaux de neurones seront étudiées: perceptron multicouche, réseaux de neurones récurrents, etc.
Le second objectif consiste à développer une implémentation pratique de ces réseaux. Cela peut être réalisé soit en construisant un modèle from scratch, soit en adaptant des bibliothèques de machine learning existantes telles que PyTorch ou TensorFlow pour gérer les complexités des valeurs complexes.
Les livrables attendus sont les suivants :
-
Revue commentée de la littérature sur l’optimisation des réseaux de neurones à valeurs complexes sous forme d’un document en langage AsciiDoc
-
Rédaction de l’expression du gradient de la fonction de coût pour différents réseaux de neurones à valeurs complexes sous forme d’un document en langage AsciiDoc (LaTeX sera mis en oeuvre pour l’écriture des équations)
-
Réaliser individuellement 10 commits (minimum) sur
git
en respectant un modèle de rédaction -
Implémentation d’un modèle de réseau de neurones à valeurs complexes sous forme d’un script Python
-
Courbe d’apprentissage du modèle de réseau de neurones à valeurs complexes sous forme d’un graphique
Logiciels requis:
-
Python 3
-
git
-
Visual Studio Code
-
AsciiDoc (avec le plugin VSCode)