Thèse Apprentissage sur Graphes Quantique Hybride pour la Détection des Vieilles Forêts H/F - Doctorat.Gouv.Fr

Établissement : Institut National Polytechnique de Toulouse École doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse Laboratoire de recherche : IRIT : Institut de Recherche en Informatique de Toulouse Direction de la thèse : Katia JAFFRES-RUNSER ORCID 0000000218516131 Début de la thèse : 2026-12-01 Date limite de candidature : 2026-12-31T23:59:59 Cette thèse s'inscrit dans le projet Q-FOREST, financé par l'initiative TIRIS et porté par les laboratoires IRIT et DYNAFOR. Elle bénéficie de l'infrastructure de calcul hybride quantique de la Maison Quantique Occitanie et du programme national HQI (France 2030).

Les vieilles forêts, anciennes et matures, constituent des réservoirs remarquables de biodiversité. Elles représentent moins de 2 % de la surface forestière, mais leur cartographie est devenue une priorité de la Stratégie européenne pour la biodiversité et du Plan national d'actions « Vieux bois et forêts subnaturelles ». Le projet Q-FOREST vise à automatiser cette cartographie par le traitement à grande échelle de données de télédétection multimodales : orthophotographies infrarouge couleur de l'IGN, modèles de hauteur de canopée, LiDAR HD et cartes de biomasse. Une première thèse, débutée en 2025 au laboratoire DYNAFOR, aborde ce problème avec des méthodes d'apprentissage profond classiques. La présente thèse, menée en collaboration avec elle, explore l'apport des algorithmes hybrides quantiques-classiques.

La détection repose sur des séries temporelles d'images de natures différentes, dont les plus anciennes remontent à 1950. Une condition nécessaire est la présence continue de la forêt depuis cette date, la maturité du peuplement étant ensuite caractérisée à partir des orthophotographies et des cartes de biomasse. Le problème revient donc à détecter, dans des séries d'images multimodales, des zones présentant une continuité temporelle.

Le codage d'images en mémoire quantique étant particulièrement coûteux, la thèse privilégie l'apprentissage automatique quantique sur graphes. Cette représentation permet de fusionner les différentes sources comme attributs de noeuds ou d'arêtes sur un graphe spatial commun, et d'exprimer directement le critère de continuité sous forme de séries temporelles de graphes. Elle se prête aussi mieux à une implémentation quantique, les graphes s'appariant naturellement à la connectivité des qubits et à la structure des portes d'intrication.

Quatre familles de réseaux de neurones quantiques sur graphes seront étudiées : architectures à hamiltonien de graphe, à marches quantiques, à états graphes, et noyaux quantiques pour la classification SVM. Elles seront évaluées pour une exécution sur les processeurs quantiques actuels, bruités et limités en profondeur (NISQ), et sur les futures machines tolérantes aux fautes (FTQC).

La thèse répondra à trois questions : peut-on concevoir un modèle hybride quantique-classique résolvant le problème de détection de Q-FOREST ? Si oui, existe-t-il une solution à court terme (NISQ) et à long terme (FTQC) ? Une approche quantique apporte-t-elle un avantage par rapport à un réseau de neurones sur graphes classique ?

Après une formation au calcul quantique et un état de l'art, un modèle GNN classique de référence sera développé. Un modèle quantique pour architecture FTQC sera ensuite conçu et testé sur émulateur avec des jeux de données synthétiques réduits, puis un modèle adapté aux architectures NISQ sera implémenté sur simulateurs et matériel réel, et comparé aux approches classiques. Les résultats seront publiés dans les conférences et revues du domaine et partagés au sein du réseau HQI/Maisons du Quantique. Les vieilles forêts, anciennes et matures, sont des réservoirs remarquables de biodiversité. Elles couvrent moins de 2 % de la surface forestière, et leur cartographie est devenue une priorité de la Stratégie européenne pour la biodiversité et de sa déclinaison française, le Plan national d'actions « Vieux bois et forêts subnaturelles ». Cette cartographie reste pourtant une expertise maîtrisée par peu d'écologues forestiers. Le projet Q-FOREST, porté par l'IRIT et DYNAFOR, vise à l'automatiser à grande échelle à partir de données de télédétection multimodales : orthophotographies infrarouge couleur de l'IGN, modèles de hauteur de canopée, LiDAR HD et cartes de biomasse, dont les plus anciennes remontent à 1950. Une première thèse, débutée en 2025, traite ce problème avec des méthodes d'apprentissage profond classiques. En parallèle, le calcul quantique laisse entrevoir un avantage potentiel en capacité de calcul et en efficacité énergétique pour ce type de problème. Le codage d'images en mémoire quantique reste cependant très coûteux. Les réseaux de neurones quantiques sur graphes constituent une alternative prometteuse : ils représentent les données sous forme de graphes, qui s'apparient naturellement à la connectivité des qubits. Cette thèse s'inscrit à la croisée de ces deux enjeux et bénéficie des ressources de calcul hybride quantique de la Maison Quantique Occitanie et du programme national HQI (France 2030). 1. Établir un modèle de référence classique : concevoir et implémenter un réseau de neurones sur graphes (GNN) pour la détection des vieilles forêts.
2. Concevoir un modèle quantique sur graphes : déterminer si un modèle hybride quantique-classique peut résoudre le problème de détection de Q-FOREST, en comparant les architectures à hamiltonien de graphe, à marches quantiques, à états graphes et à noyaux quantiques.
3. Proposer une solution à long terme (FTQC) : dériver un modèle pour les futures machines tolérantes aux fautes et le tester sur émulateur avec des jeux de données synthétiques réduits.
4. Proposer une solution à court terme (NISQ) : adapter le modèle aux processeurs quantiques actuels, bruités et limités en profondeur, et l'exécuter sur simulateurs et matériel réel.

- Étudiant(e) en Master ou en troisième année d'école d'ingénieurs, spécialisé(e) en informatique, mathématiques ou physique.
- Des compétences en apprentissage automatique sont appréciées.
- Une première expérience en calcul quantique est un plus, mais n'est pas requise.
- Bonnes compétences en programmation.
- Fort intérêt pour la recherche scientifique.