STAGE - Amélioration des performances d'un système d'optique adaptative F/H - 5-6 mois

Vous avez le goût du challenge ? Vous êtes curieux(se) et avez envie d’effectuer un stage qui vous aidera à vous développer et à mettre en pratique vos compétences académiques ? Vous souhaitez intégrer une entreprise innovante et agile, pour apporter votre pierre à l’édifice d’une croissance soutenue ?

Pour nous aider à atteindre nos objectifs de performance, notre ambition se poursuit et nous renforçons nos effectifs au sein de notre filiale Bertin Alpao, leader mondial des systèmes d’Optique Adaptative alors rejoignez-nous dans le cadre de notre offre de stage intitulée :

Amélioration des performances d'un système d'optique adaptative pour les communications optiques par espace libre grâce à l'apprentissage par renforcement : étude comparative des approches model-free et model-based dans des conditions de bruit élevées

Le stage proposé porte sur les innovations technologiques pour l’observation à haute résolution angulaire depuis le sol, avec un accent particulier sur l’Optique Adaptative (OA). Depuis près de 30 ans, l’OA permet de compenser les effets de la turbulence atmosphérique et de restaurer la limite de diffraction des grands télescopes terrestres, jouant ainsi un rôle central dans de nombreuses découvertes en astronomie. À titre d’exemple, le prix Nobel de Physique 2020 s’est appuyé en grande partie sur cette technologie.

Le fonctionnement de l’OA repose sur trois éléments clés : un analyseur de surface d’onde (ASO) pour mesurer la déformation de l’onde lumineuse ; un calculateur temps réel (RTC) pour traiter ces mesures ; et un miroir déformable (MD) capable d’ajuster sa surface à l’échelle de la milliseconde pour compenser la turbulence.

Si l’OA a d’abord été développée pour l’astronomie, ses applications s’élargissent désormais à d’autres domaines, comme les communications optiques en espace libre (Free Space Optics – FSO). Ces dernières sont en pleine expansion, notamment pour permettre des échanges de données à haut débit entre satellites et stations au sol. Dans le cas des satellites en orbite basse (LEO), cette technologie pourrait offrir une alternative aux relais géostationnaires. Cependant, ces nouvelles applications posent des défis supplémentaires, notamment à cause du mouvement rapide des satellites, créant un "vent apparent" et des conditions de turbulence exacerbées à faibles angles d’élévation (10-20°).

Une des principales limitations de l’OA dans les FSO est liée à l’erreur temporelle. Alors que la solution classique consiste à augmenter la cadence du système pour améliorer la bande passante, une approche alternative consiste à utiliser des algorithmes de prédiction pour réduire l’erreur sans augmenter la fréquence. Nos équipes (LAM – ALPAO) explorent cette voie en utilisant l'apprentissage par renforcement (Reinforcement Learning – RL), avec des résultats prometteurs obtenus par simulation.

L'objectif de ce stage est d’explorer et de comparer deux approches d’apprentissage par renforcement pour améliorer le contrôle des systèmes d’optique adaptative dans le contexte des communications optiques en espace libre. Vous travaillerez avec une simulation développée par notre équipe de recherche, et vous vous concentrer sur l’aspect algorithmique.

En nous rejoignant, vos principales missions seront les suivantes :

1. Découvrir et implémenter des algorithmes d'apprentissage par renforcement sans modèle (model-free RL), tels que SAC et PPO, pour le contrôle d'un système d'OA. Vous comparerez ensuite leurs performances avec l'approche basée sur un modèle (model-based) déjà implémentée par l'équipe.

2. Étudier comment le bruit affecte les performances de ces algorithmes dans des conditions réalistes.

3. Analyser de manière critique les avantages et les limites des approches sans modèle et avec modèle dans le contexte spécifique des communications optiques par espace libre.

Méthodologie :

• Étude bibliographique sur l'OA, le RL appliqué aux systèmes de contrôle, et les spécificités des approches model-free et model-based

• Implémentation d'algorithmes RL model-free (ex: SAC, PPO)

• Tests en conditions réalistes (vent apparent fort, turbulences fortes, faibles angles d’élévation).

Idéalement, ce stage basé à Montbonnot-Saint-Martin (38) d’une durée de 5-6 mois commencera en février 2025 (la période est communiquée à titre indicatif et pourra être revue).

Votre tuteur vous accompagnera dans la réussite de votre stage afin de faciliter votre intégration et votre montée en compétences.

Ce stage peut ouvrir la voie à une opportunité de thèse doctorale dans la continuité du projet.

Ce que nous recherchons chez vous 

Vous êtes actuellement en dernière année d’école d’Ingénieur ou en Master 2 Physique – Machine Learning ou Traitement du Signal et vous recherchez un stage de fin d’études ?

Votre parcours vous a permis de développer des connaissances et compétences dans les domaines techniques suivants :

• Connaissance en Machine Learning/Deep Learning et de préférence : Reinforcement Learning.

• Solides compétences en programmation Python.

• Familiarité avec des frameworks d'apprentissage profond (PyTorch).

Vous êtes reconnu(e) pour votre curiosité, votre esprit d’analyse et votre rigueur scientifique ?

Vous avez un bon niveau d'anglais qui vous permettra d’évoluer dans notre contexte international ?

Vous aimez travailler en équipe, de manière autonome au sein d’un univers challengeant ?

Enfin, vous partagez nos valeurs essentielles que sont le courage, la confiance, le talent et l'esprit d'équipe ?

Alors n’hésitez plus et postulez chez nous !