Prix de thèse du GDR RSD : des travaux sur l'optimisation récompensés

Prix de thèse du GDR RSD

Anthony Bardou est chercheur post-doctoral au laboratoire INDY de l’EPFL, il est spécialisé dans l'optimisation des réseaux sans-fil et l'apprentissage en ligne. Pour ses travaux, il a reçu le prix de la meilleure thèse du GDR RSD en 2024 intitulée « Online Learning for the Black-Box Optimization of Wireless Networks » et encadrée par Thomas Begin, professeur à l'Université Claude Bernard Lyon 1 et membre du Laboratoire de l'informatique du parallélisme (LIP - CNRS/ENS de Lyon/Université Claude Bernard). 

La thèse porte sur un défi majeur des télécommunications modernes : l’optimisation des performances des réseaux sans fil (RSF) dans des environnements complexes. Les RSF (Wi-Fi, cellulaires), devenus omniprésents, doivent répondre à des besoins croissants et à une densité accrue d’utilisateurs, ce qui sature l’espace radio d’interférences et réduit leur qualité de service. Les standards modernes (Wi-Fi 6, 5G) permettent de mieux gérer ces interférences, mais identifier la configuration optimale de leurs paramètres est loin d’être trivial. La difficulté vient du manque de modèles analytiques capables de prédire le comportement d’un RSF (on parle de “boite noire”) et de la grande dimensionnalité du problème.

Anthony Bardou propose des méthodes d’optimisation séquentielle — inspirées par les bandits multi-bras et l’optimisation Bayésienne — capables de découvrir la configuration optimale des paramètres d’un RSF par essai-erreur. Tout en explorant de nouvelles configurations, elles apprennent et s’adaptent rapidement au RSF sur lequel elles sont déployées, garantissant ainsi des performances robustes même dans des situations difficiles. La thèse démontre l’efficacité de ces approches dans des contextes théoriques et pratiques.

Une contribution clé est une méthode d’optimisation applicable à toute boîte noire, élargissant l’éventail d’applications potentielles du travail à un ensemble importants de problèmes industriels, s’étalant des RSFs à la biologie computationnelle et à la robotique.

Deux accessits (dans l'ordre alphabétique) :

Stella Bitchebe est une chercheuse post-doctorale au laboratoire Data-Intensive Storage & Computer Systems de la School of Computer Science de l’Université McGill. Ses axes de recherche sont les systèmes et l'apprentissage automatique. Pour sa thèse intitulée « Au-délà de l’hyperviseur (OoH) : quand la virtualisation imbriquée devient pratique » encadrée par Alain Tchana, professeur à Grenoble INP et membre du Laboratoire d'informatique de Grenoble (LIG - CNRS/Université Grenoble Alpes), elle a obtenu un accessit.

Le cloud a largement été adopté pour les applications modernes, il voit parfois l'usage de la virtualisation imbriquée, où des hyperviseurs, logiciels qui permettent la virtualisation des ressources informatiques, sont déployés dans des machines virtuelles. Mais cette pratique accentue les pertes de performance, la rendant peu viable. La thèse introduit le concept de Out of Hypervisor (Ooh), un nouvel axe de recherche motivé par des besoins semblables à ceux de la virtualisation imbriquée. Stella Bitchebe montre la pertinence de OoH, dans cette thèse, avec la protection de la mémoire et la traque des pages mémoires.

Lucas Leandro Nesi a mené sa thèse au sein du LIG et de l'Universidade Federal do Rio Grande do Sul (Brésil). Ses axes de recherche s’orientent vers l’optimisation et le calcul haute performance. Pour sa thèse intitulée « Stratégies de distribution d'applications basées sur des tâches sur des plates-formes hétérogènes » encadrée par Arnaud Legrand, directeur de recherche au LIG et Lucas Mello Schnorr, maître de conférences à l'Institut d'informatique de Université fédérale du Rio Grande do Sul, il a obtenu un accessit.

À des fins d'efficacité énergétiques, les plateformes HPC sont devenues largement hétérogènes (CPU, GPUs, TPUs au sein d'un même nœud de calcul, plusieurs types de nœuds dans un même supercalculateur) et les applications de plus en plus complexes. Les paradigmes de programmation modernes, comme la programmation par tâches, permettent d'exploiter efficacement les différentes ressources intra-nœuds tout en simplifiant la conception des applications. Cependant, l'exploitation de nœuds de type différents reste un défi. La thèse propose des stratégies pour distribuer optimalement la charge des applications dans ce contexte, tout en exploitant les spécificités des différentes phases de calcul et en apprenant à s'adapter aux ressources disponibles.