Description du sujet de thèse

Les Physics-Informed Neural Networks (PINNs) permettent de reconstruire des champs physiques à partir de données éparses en intégrant directement les équations de la physique. En océanographie, où les données sont abondantes en surface mais rares en profondeur, la reconstruction des champs tridimensionnels est essentielle pour mieux comprendre les courants profonds. Nous avons montré le potentiel des PINNs dans une étude préliminaire sur des modèles simples d'océan (Limousin et al., 2025), mais leur application à des écoulements réels pose désormais des défis algorithmiques et physiques. L’objectif de la thèse est double, avec à la fois une forte composante appliquée et théorique. D’une part, il s’agira d’implémenter la méthode PINNs pour reconstruire des champs océaniques réels à partir de données récentes (bouées ARGO et satellites SWOT), et d’en estimer les erreurs. D’autre part, il s’agira d’étudier les propriétés physiques et algorithmiques de convergence des PINNs, dans une hiérarchie de modèles d’océan de complexité croissante.

Nous recherchons une personne ayant une formation en physique, avec une expérience dans l'implémentation de réseaux de neurones et de modèles numériques d'écoulements océaniques, la capacité d'étudier les propriétés théoriques d'entrainement et de convergence des algorithmes, et de travailler dans une équipe à l'interface entre physique, océanographie et optimisation. La thèse débutera le 1/10/2025.

Contexte de travail

L'offre de thèse se situe dans le cadre du projet ANR PINOT "Physics Informed Neural Networks for Ocean Turbulence" qui implique les laboratoires de physique et d'informatique de l'ENS Lyon, l'IGE Grenoble et InphyNi Nice.