Sujet de Thèse

Les jumeaux numériques (Digital Twins, DT) constituent un outil clé pour l'analyse et l'exploitation de systèmes distribués complexes [1], tels que les réseaux de communication sans fil ou les environnements de l'Industrie 4.0. Un DT fournit une représentation virtuelle du système physique, mise à jour en continue à partir d'observations, et est largement utilisé pour la supervision et l'aide à la décision. Les jumeaux numériques de réseau sans fil ont récemment été formalisés dans les travaux de normalisation [2] et sont considérés comme des briques essentielles du contrôle autonome des réseaux [3].

Du point de vue IA, un DT comprend deux couches complémentaires. La première repose sur des modèles descriptifs et prédictifs permettant d'estimer l'état du système. Nos travaux antérieurs ont montré la difficulté de concevoir de tels jumeaux et de maintenir une correspondance fidèle entre le virtuel et le réel dans l'IoT industriel [4], par exemple. La seconde couche concerne les mécanismes de décision construits au-dessus du DT : des politiques d'action y sont élaborées à partir de la représentation virtuelle afin de contrôler, en boucle fermée, le comportement du système physique. Dans cette configuration, le DT devient un élément actif du cycle perception-décision-action. Les approches de modélisation et de simulation multi-agents permettent de rendre compte de ces dynamiques complexes [5].

Le contrôle autonome s'inscrit naturellement dans des abstractions fondées sur les agents, depuis les cadres théoriques initiaux [6] jusqu'aux approches actuelles d'IA agentique [7]. Dans les architectures O-RAN et Edge, ces paradigmes contribuent à améliorer l'allocation distribuée des ressources [8,9], en s'appuyant le plus souvent sur l'apprentissage par renforcement multi-agents pour optimiser les performances [10,11]. Néanmoins, la majorité des approches agentiques et basées sur l'apprentissage se concentrent avant tout sur la maximisation des performances et supposent implicitement l'existence d'une représentation fiable de l'environnement. En pratique, les modèles internes utilisés pour la prise de décision, qu'ils soient appris, simulés ou fondés sur des DT, peuvent s'écarter du comportement réel du système physique, en raison d'hypothèses de modélisation simplificatrices, de retards d'observation, de changements environnementaux ou de dynamiques non stationnaires. De tels écarts peuvent rester invisibles à court terme du point de vue des performances, mais soulèvent des questions fondamentales quant à la fiabilité et à la crédibilité des décisions prises par des agents autonomes.

Avec l'augmentation du niveau d'autonomie, les agents doivent opérer dans des conditions d'observabilité partielle, d'incertitude et de fidélité de modèle évolutive [12]. Lorsque des agents autonomes, par exemple fondés sur l'apprentissage par renforcement fédéré [13], agissent à travers un DT imparfait, leurs actions modifient les dynamiques mêmes du système qu'ils observent. Les décisions sont alors prises à partir de représentations incomplètes ou biaisées. Un risque majeur apparaît lorsque des performances apparemment satisfaisantes coexistent avec un raisonnement interne incorrect, pouvant conduire à des phénomènes de "dérive silencieuse", à des instabilités ou à des comportements potentiellement dangereux. Contrairement aux approches visant une "performance à tout prix" [11], cette thèse se concentre sur la fiabilité et la fiabilité du processus décisionnel lui-même.

La question centrale de recherche est la suivante : comment des systèmes d'IA agentique peuvent-ils prendre des décisions fiables, de confiance, sans induire de comportements instables, lorsqu'ils opèrent sur des réseaux sans fil dynamiques via un jumeau numérique imparfait et évolutif ?

Cette thèse vise à analyser les mécanismes de prise de décision agentique dans des boucles de contrôle fermées reposant sur des jumeaux numériques, en considérant les réseaux sans fil comme une classe représentative de systèmes dynamiques complexes. Les principaux objectifs sont les suivants : - Concevoir des mécanismes de contrôle agentique garantissant un comportement stable et sûr malgré les imprécisions du jumeau numérique, en intégrant la détection de l'incertitude et des stratégies de décision contrainte ou de dégradation maîtrisée, en s'appuyant sur les principes de l'apprentissage par renforcement sûr [14]. - Développer des modèles causaux adaptatifs capables de distinguer les changements structurels de l'environnement des biais de modélisation, afin de préserver la validité du raisonnement décisionnel en contexte non stationnaire. - Étudier les limites de l'autonomie dans des réseaux de grande dimension et concevoir des mécanismes de coordination décentralisés et fédérés, conciliant autonomie locale, stabilité globale et frugalité des ressources.