Post-Doctorant·e en Intelligence artificielle informée par la physique pour la modélisation hydrogéologique - CDD 13 mois - IMT Mines Alès
Job Description
Venez rejoindre l'IMT Mines Alès, grande école de prestige qui se classe parmi les meilleures écoles d’ingénieurs sur le plan national et mondial et implantée à Alès, ville à taille humaine, capitale des Cévennes où la qualité de vie est fortement appréciée par ses habitants.
Créée en 1843, IMT Mines Alès compte à ce jour 1400 élèves (dont 250 étrangers) et 380 personnels. L’école dispose de 3 centres de recherche et d’enseignement de haut niveau scientifique et technologique, qui œuvrent dans les domaines des matériaux et du génie civil (C2MA), de l’environnement et des risques (CREER), de l’intelligence artificielle et du génie industriel et numérique (CERIS). Elle dispose de 12 plateformes technologiques et compte 1600 entreprises partenaires. Pour en savoir plus : https://www.imt-mines-ales.fr
Vous êtes rattaché(e) au Centre de Recherche et d’Enseignement en Environnement et Risques (CREER) de l'IMT Mines Alès et dans l'unité de recherche : HSM.
Ce travail s’inscrit dans le cadre du projet PREV’IA qui s’intéresse à la connaissance et à la prévision des ressources en eaux de la nappe plioquaternaire de la plaine de Roussillon, et de la source du Lez qui alimente Montpellier en eau potable.
Votre travail s’inscrira dans la continuité d’une thèse en cours au sein de l’UMR HSM (équipe HYTAKE), portant sur la durabilité de la ressource en eau karstique (aquifère du Lez) alimentant une métropole méditerranéenne (Montpellier) en contexte de changement climatique.
Votre mission :
Utiliser les concepts émergeants dans les approches de « Physics Informed Machine Learning » (PIML) pour évaluer les intérêts d’une synergie en modélisation hydrogéologique : (1) à base conceptuelle d’une part et (2) à base de réseaux de neurones informés, ou complémentés, par la physique. L’approche PIML (Physics Informed Machine Learning) est développée, avec deux courants : (i) les Physics Informed Architecture (PIA) : intégration de connaissances physiques dans l’architecture du modèle (couches cachées) ; et (ii) les Physics Informed Loss Function (PILF) : combinaison de modélisations physiques (équations différentielles) et boîte noire, fusionnées dans la fonction de coût (terme de régularisation). Les deux méthodes pourront être explorées. Les modèles proposés pourront être utilisés pour déterminer l’évolution de certaines grandeurs hydrologiques en réponse au changement climatique.
Vous trouvez plus d’information sur le descriptif du poste ci-dessous :