Offre de thèse (H/F) : Approches neuromorphiques informées par la physique pour la modélisation radiati

Sujet de thèse :
PINNACLE: Physics Informed Neural Networks for Accelerated Cloud Light-scattering Emulator

L’intelligence artificielle révolutionne les sciences de l’atmosphère et notamment la prévision météorologique. D’une part des modèles comme GraphCast ont montré des performances remarquables, et par ailleurs, l’apprentissage profond informé par la physique se développe, combinant intelligence artificielle et lois physiques pour mieux représenter les phénomènes atmosphériques. En télédétection, l’augmentation de résolution des capteurs spatiaux accroit considérablement les besoins de calculs requis pour l’analyse d’observations toujours mieux résolues. L’apprentissage profond informé par la physique pourrait offrir une solution efficace pour modéliser plus rapidement le signal atmosphérique de manière réaliste. Pour cela, notre projet explorera l’usage combiné de réseaux de neurones convolutionnels ou en graphe et de modèles d’attention, en guidant leur attention grâce aux lois et aux propriétés physiques de l’atmosphère, pour développer des modèles de calcul rapides dans des atmosphères nuageuses 3D.
Contexte :
Le ou la candidate retenu·e sera basé·e au Laboratoire d'Optique Atmosphérique - UMR8518) à Villeneuve-d’Ascq (Université de Lille et CNRS), au sein du groupe Interaction Rayonnement Nuages, et en collaboration étroite avec l'équipe FOX du laboratoire CRISTAL
L’équipe proposante du LOA dispose d’une expertise reconnue internationalement dans le domaine du transfert radiatif et de la télédétection. L’équipe du laboratoire CRiStal est très largement reconnue également pour ces travaux dans les domaines de la vision par ordinateur et de l'apprentissage artificiel neuro-inspiré. Les proposants collaborent depuis 4 ans sur des sujets à l’interface des sciences atmosphériques et de l’IA (2 thèses dont 1 soutenue et 1 en cours) et ont déjà acquis un langage commun permettant une collaboration efficace. Le doctorant retenu aura en charge l’ensemble des activités de développement, de test et d’évaluation des modèles d’apprentissage. Il bénéficiera du support des experts du LOA pour la réalisation des simulations Monte-Carlo nécessaires à l’établissement des bases d’apprentissage.

Au LOA, le ou la candidate bénéficiera d'une infrastructure

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.