Ce sujet couvre une application des transmissions optiques terrestres spécifiques, relative aux systèmes de courte portée (de 300 à 400 km), déployés par exemple sur des terrains au relief accidenté, et utilisant des techniques d'amplification à base d'amplification à fibre dopée Erbium et d'amplification Raman. La version actuelle de l'outil de dimensionnement se fonde sur l'estimation du rapport signal sur bruit optique (OSNR) requis en fin de liaison pour garantir une transmission sans erreur, en modélisant les différentes dégradations physiques subies par le signal sous la forme d'une pénalité en OSNR. La mission proposée dans le cadre de cet apprentissage est la refonte de la prédiction de performance d'une liaison optique. Cette mission se déroulera en deux phases distinctes. La première phase consistera en la transformation de l'estimateur de performance actuel en un estimateur fondé sur le calcul du rapport signal sur bruit électrique global de liaison (SNR), modélisant toute dégradation physique sous la forme d'un bruit additif gaussien. Cette phase comportera non seulement une partie théorique via des simulations numériques pour la modélisation des effets de propagation mais aussi une partie expérimentale pour la vérification et la calibration des résultats de simulation numérique, pour la quantification du gain apporté par l'amplification Raman en fonction du type de fibre de ligne, et pour la prise en compte d'effets supplémentaires inhérents aux systèmes considérés. La seconde phase aura pour objectif la réalisation d'un prototype logiciel combinant ce nouvel estimateur de performance avec l'ensemble des caractéristiques et des propriétés de l'actuel outil d'ingénierie. En particulier, il peut impliquer l'utilisation de techniques par apprentissage machine (ou machine learning) pour la modélisation de certains procédés d'amplification optique. Etudiant(e) en première année d'école d'ingénieur (Institut d'optique, CentraleSupélec) Connaissances en physique et en informatique (bases en programmation et en algorithmie) Motivation pour des travaux théoriques et expérimentaux Capacité à travailler en groupe Autonomie et rigueur