Doctorant en analyse et conception de structures périodiques à l'aide de l'intelligence artificielle (H

Sujet de thèse :
Les communications satellitaires et les systèmes d’observation de la Terre font face à des exigences de performance de plus en plus strictes, portées par le déploiement des constellations en orbite terrestre basse (LEO) et par le besoin croissant d’une surveillance climatique précise. Ces applications reposent sur des structures électromagnétiques (EM) périodiques avancées, telles que les convertisseurs de polarisation, les métasurfaces et les dispositifs dichroïques, afin de permettre le développement de solutions matérielles compactes, légères et à faible coût, compatibles avec la production de masse et les contraintes des systèmes embarqués spatiaux [1]-[2].

Cependant, l’analyse et la conception de ces dispositifs EM avancés impliquent des géométries comportant un grand nombre de paramètres, des effets de couplage électromagnétique marqués et des compromis de performance exigeants sur de larges bandes de fréquences et d’angles d’incidence. Cela conduit à une forte dépendance aux simulations « full-wave », particulièrement coûteuses en ressources de calcul, entraînant des cycles de conception longs et une exploration limitée de l’espace de conception.

Dans ce contexte, l’intelligence artificielle (IA) apparaît comme une solution prometteuse [3]-[4] : en apprenant les relations complexes entre les paramètres structurels et les réponses électromagnétiques, les méthodes fondées sur l’IA peuvent réduire drastiquement le coût de calcul et permettre une optimisation rapide, ouvrant ainsi la voie au développement efficace de composants de nouvelle génération, à faible coût et à hautes performances, pour les communications spatiales et les systèmes d’observation de la Terre.

L’objectif principal de cette thèse est de développer des méthodes avancées d’analyse et de conception de structures électromagnétiques périodiques dédiées au contrôle de la polarisation et aux applications radiométriques, en combinant la théorie électromagnétique, les structures périodiques et des techniques d’optimisation fondées sur l’intelligence artificielle.

[1] M. Ettorre, F. F. Manzillo, M. Casaletti, R. Sauleau, L. Le Coq, and N. Capet, “Continuous transverse stub array for Ka‐band applications,” IEEE Trans. Antennas Propag., vol. 63, no. 11, pp. 4792–4800, Nov. 2015.
[2] C. Bilitos, X. Morvan, R. Sauleau, E. Martini, S. Maci and D. González‐Ovejero, “Series dual‐fed continuous transverse stub array with enhanced multibeam operation enabled by a reflective Luneburg lens,” IEEE Trans. Antennas Propag., vol. 72, no. 11, pp. 8420‐8432, Nov. 2024.
[3] A. Massa, G. Oliveri, M. Salucci, N. Anselmi, and P. Rocca, “Learning‐by‐examples techniques as applied to electromagnetics,” J. Electromag. Waves Appl., vol. 32, no. 4, pp. 516‐541, 2018.
[4] M. Li and M. Salucci, Applications of Deep Learning in Electromagnetics: Teaching Maxwell’s equations to machines. Scitech Publishing, 2023
Contexte :
Cette thèse s’i
Voir plus sur le site emploi.cnrs.fr...