Thèse Routage Adaptatif pour les Réseaux Quantiques sans Connexion H/F - Doctorat.Gouv.Fr

Établissement : Université Côte d'Azur École doctorale : STIC - Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : I3S - Informatique, Signaux et Systèmes de Sophia-Antipolis Direction de la thèse : Ramon APARICIO PARDO ORCID 0000000260692481 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-03T23:59:59 Contexte général et problématique
L'Internet quantique vise à établir de l'intrication de bout en bout entre noeuds distants pour activer des applications comme la distribution de clés quantiques (Quantum Key Distribution, QKD), la synchronisation de référence temporelle, la métrologie distribuée et le calcul quantique distribué. Les réseaux terrestres (fibres, répéteurs quantiques) fournissent une ossature mais restent limités par l'atténuation. L'intégration de liens satellites (optique en espace libre, Free Space Optical, FSO) étend la portée au niveau global, au prix d'une forte dynamique topologique (orbites, visibilité intermittente, pertes variables) et de contraintes temporelles strictes (temps de cohérence, durée des fenêtres de visibilité périodiques).
Le modèle q-datagramme [1] transpose les principes sans connexion / sans état global d'Internet au réseau quantique : l'intrication est gérée en unités transportables (q-datagrammes) avec décisions locales et retour d'expérience de voisinage, favorisant la modularité et la résilience [1]. Dans les STQNs, l'enjeu devient d'adapter le routage par apprentissage local aux changements orbitaux et aux fenêtres de visibilité périodiques [2].

État de l'art
Optimisation centralisée par apprentissage par renforcement (Renforcement Learning, RL) : des travaux récents montrent des gains avec Q learning [3] et Deep Q Network (DQN) [4] pour le routage d'intrication, mais en contrôleur central avec vue globale de l'état, ce qui ne passe pas à l'échelle et induit des latences de signalisation incompatibles avec la dynamique satellite [5-6].
Alternatives décentralisées via réseaux de neurones de graphes (Graph Neural Networks, GNN)[8] : elles capturent efficacement la structure topologique, mais n'exploitent pas nativement les mécanismes d'apprentissage de coût de chemin propres au Q routing [7] pour environnements non stationnaires [8].
Lacune : À ce jour, le paradigme Q routing décentralisé n'a pas été appliqué au modèle q-datagramme en contexte hybride satellite terrestre. Notre projet comble cette lacune en mariant datagramme quantique [1] et mobilité STQN [2] avec un coeur DQN (stabilité d'apprentissage inspirée de [4]) intégré dans le paradigme Q routing [7].

Avancées escomptées
Dans un contexte de forte dynamique topologique des réseaux, les avancées escomptées portent sur l'augmentation du débit d'intrication, l'amélioration du taux de succès des demandes, une meilleure fidélité de bout en bout, une robustesse accrue aux pannes de liens ainsi qu'une scalabilité permettant de gérer un grand nombre de noeuds. Ce projet de thèse s'inscrit dans le cadre d'allocations doctorales attribuées par Université Côte d'Azur à l'issue d'une sélection. La date de début est indiquée au 1er Octobre, mais une souplesse d'un mois est possible. Le financement du doctorat est soumis aux processus académiques usuels de sélection des allocations doctorales. Voir: https://webusers.i3s.unice.fr/edstic/3-2-candidater-fr.php et pour l'EUR-DS4H https://ds4h.univ-cotedazur.eu/education/phd
This PhD subject is part of a doctoral grant awarded by the Université Côte d'Azur following a selection process. The start date is October 1, but can be flexible up to one month. More details on the selection process can be found on https://webusers.i3s.unice.fr/ edstic/3-2-candidater-en.php and for EUR-DS4H https://ds4h.univ-cotedazur.eu/education/phd Design a decentralized routing protocol using Deep Reinforcement Learning (Deep Q-Network, DQN) for the forwarding of q-datagrams [1] in Satellite-Terrestrial Quantum Networks (STQNs) [2]. The objective is to minimize decoherence in quantum memories while maximizing entanglement throughput, leveraging the principles of the connectionless Quantum Internet [1]. Based on these 3 steps:
1) Design a decentralized DQN-based Q-routing (agents per node) learning online to select the next hop that minimizes decoherence and maximizes entanglement throughput.
2) Validate on a discrete-event simulator and compare to centralized RL [5-6] and decentralized GNN [8].
3) Extend the work toward the scenario of hybrid Satellite-Terrestrial Quantum Networks (STQNs).

Beyond the thesis, the target is a routing building block integrable into modular [1] and globally scalable [2] Quantum Internet architectures.

Le candidat doit être titulaire d'un master M2 ou d'un diplôme équivalent en informatique / mathématiques / télécommunications / automatique, au moment de commencer du recrutement.
Programmation :
- Langage Python (obligatoire)
- Bibliothèques d'apprentissage profond (comme TensorFlow, Keras, PyTorch) (obligatoire)
- Bibliothèques Quantum (Cirq, Qiskit, Tensorflow Quantum. QuTiP) (recommandé)
Théorie :
- Apprentissage automatique, apprentissage profond, apprentissage par renforcement, science des données (obligatoire)
- Informatique quantique, théorie de l'information quantique, mécanique quantique (recommandé)
- Contrôle classique, théorie du signal (optionnel)
Technologie :
- Simulation quantique (recommandé)
- Cloud Computing (recommandée)
- Réseaux (recommandée)