Thèse Orchestration Dynamique d'IA Distribué pour des Réseaux 6G Économes en Énergie H/F - Doctorat.Gouv.Fr

Établissement : Avignon Université École doctorale : Agrosciences et Sciences Laboratoire de recherche : LIA - Laboratoire d'Informatique d'Avignon Direction de la thèse : Rachid ELAZOUZI ORCID 0000000247560887 Début de la thèse : 2026-11-01 Date limite de candidature : 2026-07-15T23:59:59 Dynamic orchestration of distributed AI for energy-efficient 6G networks'. Cette thèse s'effectuera au sein du projet collaboratif TREES qui vise à réduire l'empreinte carbone des réseaux 6G en intégrant l'apprentissage fédéré distribué (DFL) comme outil de prédiction des actions d'orchestration et d'amélioration de l'efficacité énergétique. DFL est un paradigme d'Intelligence Artificielle (AI) dont un des attraits est d'être moins énergivore. Pour atteindre cet objectif, TREES (i) concevra une nouvelle architecture et des algorithmes de DFL permettant de limiter la consommation d'énergie ; (ii) proposera des méthodes permettant de mutualiser les données et les apprentissages entre plusieurs applications en s'appuyant sur le cloisonnement des données offert par l'apprentissage fédéré; (iii) développera des algorithmes d'orchestration réseaux et des fonctions d'IA pour minimiser l'empreinte carbone des applications déployées ; (iv) mettra en place, sur un environnement expérimental, une boucle autonome d'administration des réseaux intégrant les différents outils développés dans le projet et des données du monde réel pour faire des évaluations de deux cas d'utilisation : « Leveraging Smart Power Grid for Telco » et « Energy-aware Multi-Tenant AI Function Orchestration La thèse s'effectuera au sein du projet collaboratif TREES qui vise à réduire l'empreinte carbone des réseaux 6G en intégrant l'apprentissage fédéré distribué (DFL) comme outil de prédiction des actions d'orchestration et d'amélioration de l'efficacité énergétique. L'objectif de la thèse est la conception et le placement dynamique de topologies de fonctions d'IA distribuées sur des topologies réseau
et leur intégration sur un testbed.
Les principales réalisations attendues sont :
- Intégration sur un testbed Orange
- Evaluation sur les use-cases définis avec les partenaires du projet
- Mise en place ou extension de projets open-source
Les principaux verrous scientifiques identifiés sont :
- Le placement dynamique de fonctions d'IA sur des topologies réseau, en équilibrant la charge (des données) sur les fonctions d'IA, en
tenant compte de la nature non-idd ou idd de ces données
Gestion du cycle de vie de ces fonctions IA
- La conception d'une solution frugale pour maîtriser la consommation énergétique et l'empreinte carbone tout en préservant QoS et
sécurité
Les approches envisagées pour lever ces verrous sont :
- L'extension d'un Data Pipeline System à des architectures dynamiques
- Approches algorithmiques possibles: Monte Carlo search algorithms, Reinforcement Learning, Federated Learning
- Prise en compte des dépendances croisées entre les réseaux telecom et énergétiques
- Prise en compte des contraintes spécifiques du Federated Learning distribué

Compétences (scientifiques et techniques) et qualités personnelles exigées par le poste

- Votre parcours académique ou vos expériences inclus des cours en Optimisation/Recherche Opérationnelle et/ou en Machine Learning.

- Vous êtes méthodique, autonome et curieux.

- Vous avez la volonté et la capacité de travailler au sein d'une équipe projet répartie chez plusieurs partenaires.
- Vous maitrisez l'anglais à l'oral et à l'écrit.

-Vous savez présenter/vulgariser des travaux scientifiques à un auditoire.

Formation demandée (master, diplôme d'ingénieur, doctorat, domaine scientifique et technique ...)
- Vous êtes titulaire d'un Master 2 ou d'un diplôme d'ingénieur en informatique ou mathématiques appliquées
- Expériences souhaitées (stages, ...)
- Une expérience de stage en Optimisation/Recherche Opérationnelle et/ou Machine Learning serait un plus.

Une première expérience de publication scientifique serait un plus.