Missions

La mission générale est de conduire des travaux de recherche visant à concevoir des solveurs d’équation aux dérivées partielles basés sur des opérateurs neuronaux adaptés à la simulation d'écoulements géophysiques. La personne sélectionnée contribuera au projet FastClim.

Activités

La personne sélectionnée développera des recherches portant sur discrétisation temporelle d’équations aux dérivées partielles sur la base d’opérateurs neuronaux. Les applications géophysiques des opérateurs neuronaux comme alternative aux méthodes spectrales reposent jusqu'à présent principalement sur une avance temporelle fixe (qui imite intrinsèquement un schéma de discrétisation temporelle explicite d'Euler), alors qu'il est désormais bien établi que la stabilité et le comportement statistique à long terme des simulateurs et émulateurs numériques sont essentiellement liés au schéma de discrétisation utilisé pour l'avancement temporel. Nous proposons ici d'explorer comment les opérateurs neuronaux peuvent être formulés comme des opérateurs indépendants du temps, susceptibles d'être intégrés dans des schémas classiques de résolution d'équations aux dérivées partielles par pas de temps.

Compétences

Le candidat sélectionné sera titulaire d'un doctorat en géosciences, en apprentissage automatique appliqué, en assimilation de données, ou en mathématiques appliquées.
La sélection sera basée sur les critères scientifiques et techniques suivants :

- Expérience de recherche dans les techniques d'apprentissage automatique appliquées aux systèmes dynamiques et aux modèles géoscientifiques;
- Maîtrise du langage Python et des principales bibliothèques d'apprentissage automatique (PyTorch, Jax, TensorFlow) ;
- Connaissance des processus océaniques et de leur représentation dans les modèles de circulation océanique;
- Expérience démontrée dans la rédaction et la communication des résultats scientifiques ;
- Expérience démontrée dans les outils et pratiques de développement logiciel collaboratif;
- Expérience de recherche dans un contexte international et pluridisciplinaire;
- Capacité démontrée à travailler en équipe, et dans un environnement multiculturel.

Contexte de travail

Contexte de travail
La personne sélectionnée travaillera à l'Institut des Géosciences de l'Environnement (IGE), à Grenoble, dans les Alpes françaises. Il s'agit d'un institut de recherche public affilié au CNRS, à l'IRD, à l'Université Grenoble Alpes, à Grenoble-INP et à l'INRAE. Il regroupe environ 250 personnes, dont 150 membres permanents (chercheurs, enseignants-chercheurs, ingénieurs) et une centaine d'agents contractuels (doctorants, post-doctorants, ingénieurs et techniciens). L'institut accueille également plusieurs dizaines de stagiaires et de visiteurs scientifiques chaque année. Il est réparti sur trois sites du campus universitaire de Grenoble situés à 5 minutes les uns des autres. L'IGE est l'un des principaux instituts de l'Observatoire des Sciences de l'Univers de Grenoble (OSUG) qui est une structure fédérative de l'INSU. La personne sélectionnée rejoindra l’équipe MEOM, qui se concentre sur la modélisation et la prévision océan/glace de mer (voir https://meom-group.github.io), et sera supervisée conjointement par Julien Le Sommer (IGE). Le travail sera mené à Grenoble en collaboration avec Patrick Galinari (ISIR) et Freddy Bouchet (LMD) dans le cadre du projet FastClim.

Contexte scientifique
Les modèles numériques utilisés pour décrire la circulation océanique dans les modèles de projection climatiques sont essentiellement basés sur des équations aux dérivées partielles dérivées de lois physiques fondamentales. Un enjeu clef est donc celui de la construction de solveurs numériques discrets pour résoudre ces équations de manière efficace et précise. Les réseaux neuronaux ont attiré l'attention dans ce contexte pour leur capacité à servir d'approximateurs de fonctions générales, ce qui a conduit à leur utilisation pour représenter des champs sous forme de réseaux neuronaux. Cette approche, appelée représentations neuronales implicites (ou champs neuronaux) est désormais appliquée à la construction de solveurs numériques pour les équations aux dérivées partielles. Le principal avantage des     champs neuronaux est qu'ils fournissent des représentations sans maillage, véritablement multi-échelles, permettant de dissocier résolution spatiale et coût de calcul. Toutefois, ces méthodes sont encore très expérimentales de sorte que des recherches supplémentaires sont nécessaires pour exploiter pleinement le potentiel des opérateurs neuronaux comme éléments constitutifs de la prochaine génération de modèles météorologiques et climatiques hybrides différentiables.

Contraintes et risques

RAS