Offre de thèse
ENACT Analyse de l'impact des paramètres du réseau sans fil sur la précision des modèles de jumeaux numériques en utilisant l'intelligence artificielle
Date limite de candidature
25-04-2025
Date de début de contrat
01-10-2025
Directeur de thèse
MAIMOUR Moufida
Encadrement
Modalités de l'école doctorale IAEM.
Type de contrat
école doctorale
équipe
MPSI - Modélisation, Pilotage, Sûreté des Systèmes Industrielscontexte
This PhD offer is provided by the ENACT AI Cluster and its partners.spécialité
Automatique, Traitement du signal et des images, Génie informatiquelaboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mots clés
Intelligence artificielle, Précision du jumeau numérique, Optimisation du réseau sans fil, Analyse de séries temporelles
Détail de l'offre
L'intégration de l'intelligence artificielle (IA) avec la technologie des jumeaux numériques a ouvert de nouvelles perspectives pour la surveillance, l'analyse et l'optimisation en temps réel de systèmes physiques complexes dans divers domaines, notamment l'Industrie 4.0, les villes intelligentes et les systèmes autonomes. Les jumeaux numériques (représentations virtuelles d'entités physiques) dépendent d'une transmission de données précise et en temps réel via les réseaux sans fil afin d'assurer une synchronisation de haute fidélité avec le système réel. Cependant, les réseaux sans fil sont intrinsèquement affectés par des conditions dynamiques, telles que les changements de topologie du réseau, les interférences de signal, les variations de débit, la latence, la mobilité, les contraintes énergétiques et les défis de sécurité. Ces fluctuations peuvent entraîner des pertes de données, des délais accrus et des incohérences, compromettant ainsi la précision et la fiabilité des jumeaux numériques.
Cette thèse vise à explorer le rôle de l'intelligence artificielle (IA) dans l'atténuation de l'impact des contraintes des réseaux sans fil sur la fidélité des jumeaux numériques. En s'appuyant sur l'apprentissage automatique, l'apprentissage profond, l'apprentissage par renforcement et les algorithmes d'optimisation, cette recherche explorera des approches basées sur l'IA pour :
- Prédire et s'adapter aux variations du réseau, permettant aux jumeaux numériques de maintenir une haute précision malgré des conditions réseau fluctuantes.
- Optimiser dynamiquement la configuration des réseaux sans fil, en minimisant la latence, la perte de paquets et les interférences afin d'améliorer la qualité de la transmission des données.
- Renforcer la résilience grâce à des techniques de récupération de données basées sur l'IA, telles que l'analyse de séries temporelles pour reconstruire les données manquantes ou retardées, garantissant ainsi une synchronisation continue entre le jumeau numérique et son homologue physique.
- Développer des stratégies d'optimisation multi-objectifs intelligentes, équilibrant la périodicité des mises à jour en temps réel et la consommation de ressources pour maximiser l'efficacité sans compromettre la précision.
Cette étude contribuera au développement de jumeaux numériques adaptatifs et intelligents qui tirent parti de l'optimisation des réseaux basée sur l'IA et de la modélisation prédictive afin d'assurer des performances robustes dans des conditions de réseaux sans fil réels. Les résultats fourniront de nouvelles perspectives sur la manière dont l'IA peut améliorer la fiabilité et l'efficacité des jumeaux numériques, ouvrant la voie à leur déploiement plus large dans des applications critiques nécessitant une prise de décision et une surveillance en temps réel.
Keywords
Artificial Intelligence, Digital Twin Accuracy, Wireless Network Optimization, Time Series Analysis
Subject details
The integration of artificial intelligence (AI) with digital twin technology has opened new possibilities for real-time monitoring, analysis, and optimization of complex physical systems across various domains, including Industry 4.0, smart cities, and autonomous systems. Digital twins (virtual representations of physical entities) rely on accurate and timely data transmission from wireless networks to ensure high fidelity synchronization with the real-world system. However, wireless networks are inherently affected by dynamic conditions, such as changing network topology, signal interference, data rate variations, latency, mobility, energy constraints, and security challenges. These fluctuations can lead to data loss, increased delays, and inconsistencies, ultimately degrading the accuracy and reliability of digital twins. This thesis aims to investigate the role of artificial intelligence (AI) in mitigating the impact of wireless network constraints on digital twin fidelity. By leveraging machine learning, deep learning, reinforcement learning, and optimization algorithms, this research will explore AI-driven approaches to: - Predict and adapt to network variations, enabling digital twins to maintain a high level of accuracy despite changing network conditions. - Optimize wireless network configurations dynamically, minimizing latency, packet loss, and interference to enhance data transmission quality. - Enhance resilience through AI-based data recovery techniques, such as time series analysis for reconstructing missing or delayed data, ensuring continuous synchronization between the digital twin and its physical counterpart. - Develop intelligent multi-objective optimization strategies, balancing real-time update periodicity and resource consumption to maximize efficiency without compromising accuracy. Through this research, the study will contribute to the development of adaptive, intelligent digital twins that leverage AI-driven network optimization and predictive modeling to ensure robust performance under real-world wireless network conditions. The findings will provide new insights into how AI can enhance the reliability and efficiency of digital twins, paving the way for their broader deployment in critical applications requiring real-time decision-making and monitoring.
Profil du candidat
- Master/diplôme d'ingénieur en informatique ou dans un domaine connexe ;
- Bonne connaissance de l'IA et des réseaux ;
- Bonnes capacités de communication / rédaction en anglais.
Candidate profile
- Master/Engineering degree in computer science or a related field;
- Good background in AI and networking;
- Good communication/writing skills in English.
Référence biblio
[1] Khan, L. U., Han, Z., Saad, W., Hossain, E., Guizani, M., & Hong, C. S. (2022). Digital twin of wireless systems: Overview, taxonomy, challenges, and opportunities. IEEE Communications Surveys & Tutorials, 24(4), 2230-2254.
[2] Zeb, S., Mahmood, A., Hassan, S. A., Piran, M. J., Gidlund, M., & Guizani, M. (2022). Industrial digital twins at the nexus of NextGwireless networks and computational intelligence: A survey. Journal of Network and Computer Applications, 200, 103309.
[3] Maimour, M., Ahmed, A., & Rondeau, E. (2024). Survey on digital twins for natural environments: A communication network perspective. Internet of Things, 101070.
[4] Apostolakis, N., Chatzieleftheriou, L. E., Bega, D., Gramaglia, M., & Banchs, A. (2023). Digital twins for next-generation mobile networks: Applications and solutions. IEEE Communications Magazine, 61(11), 80-86.
[5] Emmert-Streib, F. (2023). What is the role of ai for digital twins?. AI, 4(3), 721-728.
[6] Tao, Z., Xu, W., Huang, Y., Wang, X., & You, X. (2024). Wireless network digital twin for 6g: Generative ai as a key enabler. IEEE Wireless Communications, 31(4), 24-31.
[7] Isah, A., Shin, H., Oh, S., Oh, S., Aliyu, I., Um, T. W., & Kim, J. (2023). Digital twins temporal dependencies-based on time series using multivariate long short-term memory. Electronics, 12(19), 4187.
[8] Saeizadeh, A., Tehrani-Moayyed, M., Villa, D., Beattie Jr, J. G., Wong, I. C., Johari, P., ... & Melodia, T. (2024). AI-assisted Agile Propagation Modeling for Real-time Digital Twin Wireless Networks. arXiv preprint arXiv:2410.22437.