CDD Chercheur - Modélisation par apprentissage automatique pour les dynamos turbulentes --Machine learning modeling for turbulent Dynamos (MilaDy) (H/F)

Description du Poste

Les Missions

Au CNRS, sur le site de l'Université Paris-Saclay (UPS), le laboratoire LISN recrute un Chercheur ou une Chercheuse pour une durée de 24 mois dans le cadre du projet ANR MilaDy pour travailler sur l'analyse des données issues de simulations numériques massives de champs magnétique et de vitesse de deux expériences en lien avec la génération de champ magnétique par effet dynamo (DyE). Il/elle collaborera avec des collègues du laboratoire Lagrange (Nice) et du CEREA (ENPC, EDF R&D).

L'Activité

1- Contexte :

La magnétohydrodynamique (MHD) étudie l’interaction entre un fluide électriquement conducteur et les champs électromagnétiques auxquels il est soumis. Le DyE explique l’origine des champs magnétiques au sein de ces fluides : un champ magnétique initial y est amplifié par un écoulement conducteur. Ce phénomène, rare dans les métaux liquides, n’apparaît que dans des régimes turbulents 3D à faible nombre de Prandtl magnétique (Pm). Des expériences ont réussi à reproduire cet effet à Riga, Karlsruhe et Cadarache. Le projet allemand DRESDYN (HZDR, Allemagne) tente aujourd’hui de générer une dynamo dans un cylindre en précession, mais son succès reste incertain.

Ces dynamos présentent des dynamiques très complexes, par exemple, caractérisées par des inversions du champ magnétique, des phases intermittentes, et des événements de type burst, difficiles à reproduire numériquement. En effet, la modélisation complète du DyE est entravée par le couplage non linéaire entre les équations de Navier–Stokes et d’induction magnétique, rendant les Simulations Numériques Directes (DNS) coûteuses et limitées à des régimes de Pm~1. Pour surmonter ces limites, des modèles d’ordre réduit (ROMs) peuvent être développés afin de capturer l’essentiel de la dynamique fidèlement à moindre coût. L’apprentissage automatique (ML) offre de nouvelles approches pour construire des ROMs performants et prédictifs.
2- Objectifs et défis scientifiques :

Ce post-doctorat vise deux objectifs principaux : (1) Analyser les inversions du champ magnétique et les phénomènes de dynamo burst en développant des modèles paramétriques d'ordre réduit (pROMs) offrant une interprétabilité physique accrue pour identifier les mécanismes clés et reproduire les dynamiques observées au cours des simulations.

(2) Optimiser l’expérience DRESDYN grâce à des pROMs, en ajustant les paramètres physiques (précession, rotation, géométrie) pour explorer la viabilité du DyE à moindre coût.


Les méthodes visées devront dépasser les limites actuelles des pROMs pour les systèmes MHD, notamment leur manque d’interprétabilité et leur faible capacité d’extrapolation, en s’appuyant sur des approches spectrales linéaires classiques et les méthodes non linéaires basées sur l’apprentissage profond de type auto-encodeurs (AEs) et AE variationnels (vAEs), afin de garantir des modèles plus explicables, physiquement cohérents et robustes hors du domaine d’apprentissage.


Pour les pROMs non-linéaires basés sur des représentations latentes, des (v)AEs informés par la physique seront considérés - notamment via des régressions explicites des variables latentes avec des paramètres physiques importants ou la mise en place de contrastive learning temporels, paramétriques, ou impliquant des invariants physiques - qui fourniront une projection des attracteurs multiples dans l’espace latent, et faciliteront l’identification de variétés invariantes, points de bifurcation ou de chemins de transition.


Après cette phase de compression, on apprendra une dynamique réduite dans l’espace latent contrainte par la physique, paramétrée par les paramètres de contrôle de l’écoulement, afin de prédire, généraliser et interpréter les régimes MHD, leurs transitions et événements rares de manière robuste. On adaptera des Recurrent Neural Networks (RNNs), par exemple de type Long short-term memory (LSTM) pour des jeux de données limités ou des transformeurs pour des régimes turbulents complexes avec grandes bases de données.

Votre Profil

Compétences

Le profil du candidat devrait montrer une expertise variée avec des connaissances solides en dynamique des fluides et/ou MHD, une expérience en analyse de données scientifiques et/ou en modélisation réduite et un intérêt marqué pour l’apprentissage automatique appliqué aux systèmes dynamiques, ainsi que de bonnes compétences en programmation scientifique.

Le chercheur ou la chercheuse devra posséder un Doctorat en mécanique des fluides / Mathématiques appliquées / Apprentissage automatique.

Votre Environnement de Travail

Au sein du campus de l’UPS, le/la post-doctorant(e) évoluera au LISN dans un environnement de recherche interdisciplinaire bénéficiant de fortes interactions entre physiciens, mécaniciens et spécialistes de l'apprentissage automatique, avec accès à des ressources de calcul et à des bases de données de simulations avancées.

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 l'arrivée du/de la post-doctorant(e) soit autorisée par l'autorité compétente du MESR.
Mots-clés: Simulations numériques et bases de données, MHD, ROM, apprentissage statistique guidé par la physique, apprentissage automatique

Rémunération et avantages

Rémunération

Entre 3131,32 € et 3569,85 € bruts mensuels selon expérience

Congés et RTT annuels

44 jours

Pratique et Indemnisation du TT

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

À propos de l’offre

À propos du CNRS

Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement.

Le CNRS

Les métiers de la recherche