Thèses

Les travaux de doctorat de Taha Moussa portent sur la localisation indoor basée sur la technologie UWB (Ultra-Wideband), avec un intérêt particulier pour les environnements complexes caractérisés par des conditions de propagation difficiles (NLOS, multi-trajets). L’objectif principal est d’améliorer la robustesse et la précision des systèmes de localisation en intégrant des méthodes d’intelligence artificielle et de modélisation adaptative. Ces approches permettent de mieux détecter et atténuer les biais de mesure, et d’optimiser les performances des algorithmes de navigation et de positionnement en conditions réelles.

L’objectif de ma thèse est le développement de nouveaux modèles pour la synthèse d’antennes à métasurfaces conformes.
Les modèles de synthèse disponibles dans la littérature jusqu’à présent n’ont pas les capacités d’exploiter les degrés innombrables de liberté portée par les conceptions d’antennes basées sur des métasurfaces.
Le projet part du développement de certains modèles basés sur des techniques d’électromagnétisme computationnel. Ils prendront en compte les contraintes dans le diagramme de rayonnement et la géométrie des antennes, elle-même produisant des méta éléments maniables, adaptés en exploitant les degrés de liberté fournis par les métasurfaces. Ces étapes permettront l'identification des technologies et techniques de fabrication les plus appropriées.
L’importance de construire de nouveaux modèles pour la synthèse de nouveaux  systèmes d’antennes réside :

1°) Dans l’augmentation des demandes de bande passante ;

2°) Aux besoins de rétrécir et d’adapter les géométries des antennes à un environnement anthropique de plus en plus encombré ;

3°)  Le tout sans perdre l’efficacité de l’ouverture, ni réduire la bande passante opérationnelle effective des antennes.

--------
English version:
The focus of my thesis is on the development of new models for the synthesis of conformal metasurface antennas.
The synthesis models available in the literature till now do not have the capabilities of exploiting the countless degrees of freedom carried by the designs of antennas based on metasurfaces.
The project is divided into different phases starting from developing some models based on computational electromagnetics techniques that will take into account the constraints in the radiation pattern and the geometry of the antennas itself producing manufacturable meta-elements tailored exploiting the degrees of freedom provided by the metasurfaces, to individuate the most appropriate technologies and fabrication techniques.
The importance of building new models for the synthesis of new antenna systems resides in the increment of bandwidth demands correlated with the needs of shrinking and adapting the antennas' geometries to the increasingly crowded anthropic environment without losing aperture efficiency nor reducing the effective operational bandwidth of the antennas.

Application mapping is a key challenge in Network-on-Chip (NoC) architectures, as the way application tasks are placed on processing tiles has a direct impact on communication overhead and system performance. As applications become larger and more complex, traditional mapping approaches struggle to accurately capture their behavior, especially when shared global memory is involved. Most existing works mainly consider communication between tasks and tend to ignore memory accesses, even though these accesses can significantly affect the overall cost, especially with AI applications. This thesis builds on a memory-aware NoC mapping framework that explicitly includes global memory interactions in the application model. The modeling is further extended to better reflect the structure of modern compute workloads by clearly identifying computation tasks, communication tasks, and memory-access operations. The motivation for this work stems from the fact that recent AI models depend heavily on global memory for parameters and intermediate data, making memory-aware application modeling essential to achieve optimized and realistic NoC mapping solutions.

Cette thèse porte sur le développement de nouvelles architectures de communications sans fil fondées sur les stacked intelligent metasurfaces, en réponse aux enjeux des futurs réseaux 6G. En proposant de déplacer une partie du traitement du signal vers le domaine des ondes, ce projet ambitionne de repenser la couche physique afin d’améliorer l’efficacité énergétique, de réduire la complexité des architectures MIMO et de mieux prendre en compte les contraintes matérielles réelles. À l’interface entre modélisation physique, optimisation, intelligence artificielle et validation expérimentale, cette recherche vise à produire des contributions à la fois fondamentales et applicatives dans le domaine des systèmes de communication avancés.

Les systèmes de communication sémantique basés sur l'IA, notamment les transformers, permettent de transmettre le sens d'un message plutôt que ses bits bruts. Cependant, les travaux existants supposent un matériel radio idéal, ignorant les imperfections physiques réelles telles que le bruit de phase, le déséquilibre I/Q et les distorsions introduites par les composants analogiques. Ces imperfections dégradent les représentations sémantiques lors de la transmission sur canal sans fil, causant une chute de performance significative en conditions réelles.

Cette thèse propose une approche d'IA générative consciente du matériel (hardware-aware generative AI) pour les communications sémantiques. L'objectif est de concevoir des systèmes capables d'apprendre des représentations robustes aux distorsions matérielles, en intégrant des modèles de canaux physiques réalistes et des contraintes matérielles directement dans la boucle d'entraînement. Les contributions visent à combler le fossé entre la recherche académique et le déploiement réel sur des systèmes de communication de nouvelle génération.

Les radars météorologiques, notamment les radars embarqués sur des plateformes mobiles, jouent un rôle clé dans la surveillance des catastrophes naturelles, la climatologie et l’agriculture. Les radars monostatiques à émission continue ont de nombreux avantages par rapport aux radars impulsionnels utilisés traditionnellement, notamment en termes de consommation énergétique réduite et de précision de détection améliorée. Cependant, ce type de radar est fortement limité par les fuites d’émission ainsi que par les bruits électroniques internes, qui dégradent la qualité des mesures.
L’objectif est de proposer des solutions innovantes de traitement adaptatif du signal reposant sur des méthodes de Machine Learning frugal, conçues pour une implémentation embarquée sur FPGA. Des architectures neuronales légères seront étudiées afin de permettre la séparation du signal utile des différentes sources de bruit tout en respectant des contraintes fortes de consommation et de ressources matérielles spécifiques aux plateformes embarquées.
Le travail proposé est issu d’une collaboration avec le LATMOS, laboratoire français expert dans l’instrumentation radar pour des applications spatiales, sol ou aéroporté, notamment dans le domaine météorologique.

Le travail de thèse porte sur la détection de signaux de communication particuliers, appelés signaux DSSS-FTN, où DSSS signifie Direct Sequence Spread Spectrum (étalement de spectre à séquence directe) et FTN signifie Faster-Than-Nyquist (plus rapide que Nyquist). Ces signaux sont utilisés dans des systèmes de communication sécurisés car ils sont difficiles à repérer et à intercepter. L'objectif principal est de développer de nouvelles méthodes pour les détecter plus efficacement, même dans des environnements bruyants. Pour cela, on s'appuie sur des caractéristiques propres à ces signaux, comme leurs structures périodiques et leurs propriétés spectrales. La recherche combine des approches mathématiques, des simulations informatiques (MATLAB), et des tests sur du matériel réel grâce à des plateformes radio logicielle (SDR). L'intelligence artificielle est également intégrée pour améliorer les performances de détection. Une fois un signal détecté, on cherche aussi à en extraire des paramètres clés, comme la séquence pseudo-aléatoire utilisée, le débit binaire. Le tout vise à répondre aux besoins des systèmes de surveillance électronique et de sécurité des communications.

L’objectif principal de cette thèse est de développer des antennes plates à gain élevé et à ultra large bande opérant en régime sub-THz. Parmi les solutions les plus prometteuses figure l’utilisation de surfaces intelligentes (reflectarrays, transmitarrays, T-RIS, R-RIS) afin de moduler le front d’onde incident provenant d’une source locale.
Pour répondre aux exigences de miniaturisation, le projet se concentre sur la réduction de l’encombrement global de l’antenne tout en conservant les caractéristiques de haute performance propres aux antennes opérant dans cette bande. De plus, une étude est menée sur la reconfiguration de la surface intelligente afin de permettre un fonctionnement multi-bande et/ou un pointage de faisceau (multi-beam). Cela permet à l’antenne de couvrir différents scénarios d’utilisation sans nécessiter de réglages mécaniques.

--------
English version:

The main objective of this thesis is to develop high-gain and ultra-wideband flat antennas operating in the sub-THz regime. Among the most promising solutions is the use of smart surfaces (reflectarrays, transmitarrays, T-RIS, R-RIS) to modulate the incoming wavefront from a local source.
To accomplish the miniaturization requirements, the project focuses on reducing the overall size of the antenna while maintaining the high-performance characteristics typically found in antennas operating within this band. Furthermore, research is being conducted to reconfigure the smart surface to enable multi-band operation and/or multi-beam steering. This allows the antenna to adapt to different operational scenarios without the need for mechanical adjustments.

The transition to the Post-5G era is driven by immersive services, including XR and holographic communications, which generate rapidly increasing traffic volumes across the entire network. According to the Cisco Visual Networking Index (2019)*, video traffic is expected to account for more than 82% of all IP traffic by 2022, resulting in a significant increase in the energy consumption of content delivery network (CDN) infrastructures. Existing energy control approaches remain insufficient for measuring and optimizing energy consumption of increasingly complex CDN infrastructure.

This thesis investigates a holistic energy control approach that integrates both measurement and optimization perspectives. Our strategy is to quantify the end-to-end energy consumption, from the core network to the end-user device, as a function of individual video flows. This enables a fine-grained characterization of the sources contributing to energy consumption. Building on this, we aim to develop an AI-driven model for energy-efficient resource orchestration. This model will extend existing 4G/5G approaches that aim to optimize resource usage across heterogeneous post-5G environments, including non-terrestrial networks (NTN/satellite), to enable energy-efficient delivery of video services.

*Cisco Visual Networking Index: Forecast and Trends, 2017–2022 White Paper (2019)

La thèse vise à analyser l’impact environnemental global des objets connectés intégrant de l’intelligence artificielle embarquée à travers une approche complète d’Analyse du Cycle de Vie. Elle ne se limite pas à la phase d’usage, mais intègre également les phases d’extraction des ressources, de fabrication et de fin de vie des équipements électroniques. Les travaux s’appuient sur deux cas d’usage : le projet OWL, portant sur un réseau de capteurs ultra-basse consommation dédié au monitoring environnemental, et le projet Light-Swift, centré sur un réseau de capteurs industriels temps réel réalisant de la classification d’événements sonores via de l’IA embarquée. La thèse compare différentes plateformes matérielles (microcontrôleurs, GPU, FPGA, NPU) et étudie les choix d’alimentation (pile ou batterie avec récupération d’énergie). L’objectif est de proposer une méthodologie et un outil d’évaluation permettant d’orienter les choix technologiques vers des architectures IoT embarquant de l’IA plus durables.

The rapid expansion of wireless communication networks has created an unprecedented abundance of ambient electromagnetic energy, yet most of this energy remains untapped. Harnessing this ubiquitous RF power in an efficient and scalable manner represents a key opportunity for enabling sustainable, self-powered wireless systems.

This PhD project focuses on the design of innovative metasurface antennas for ambient RF energy harvesting, aiming to enhance the sustainability of wireless systems. The core objective is to develop efficient, compact, and broadband metasurfaces capable of capturing and converting scattered electromagnetic energy from the environment into usable DC power. A key aspect of the research involves leveraging the unique beam-scanning and field- shaping properties of leaky-wave antennas within the metasurface architecture to improve angular coverage and harvesting efficiency across multiple frequency bands. The work encompasses full-wave electromagnetic simulation, optimization, and experimental prototyping to validate the designs. This research contributes to the growing field of wireless power transfer and self-powered IoT devices by proposing novel antenna solutions that address the critical challenge of powering autonomous systems.

A reconfigurable surface is a promising technology for 6G and future wireless communication systems, as it enables active control of the radio propagation environment to improve throughput and coverage. Such control, however, requires the transmission of additional information to configure the device, introducing a non-negligible overhead whose impact on system performance remains insufficiently studied.

This thesis aims at studying the fundamental bounds of communications aided by a reconfigurable surface from an information-theoretic perspective. The system is modeled as a channel with action-dependent states, where transmitted data and control signals are jointly encoded. The objective is to characterize achievable rates and fundamental bounds under various scenarios, including point-to-point communications, multiple access and broadcast channels, as well as the finite block-length regime. Particular attention will be devoted to characterizing the tradeoff between the rate allocated to control signals and that used for data transmission.

This PhD focuses on protecting wireless communication systems from intentional interference attacks at the physical layer. The goal is to develop methods combining sparse signal reconstruction and model-based deep learning to ensure signal availability in single-input single-output (SISO) communication systems. The work addresses information security by maintaining the receiver's ability to reliably transfer data despite malicious jamming.

Les objectifs de cette thèse sont de développer un modèle paramétré de l'impact environnementale globale des médias audiovisuels (streaming audio et vidéo), de l'évaluer et de mesurer l'impact des paramètres, puis d'exploiter les résultats pour proposer des solutions durables pour minimiser ces impacts.
Cette étude prendra en compte tout le cycle de vie des infrastructures et appareils utiles au fonctionnement des médias audiovisuels : des datacenters jusqu'aux terminaux des utilisateurs, et depuis l'extraction des matières premières jusqu'à la fin de vie des objets.