En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Thèse en physique expérimentale et réseaux de neurones H/F

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR8023-FRELEC-001
Lieu de travail : PARIS 05
Date de publication : lundi 7 octobre 2019
Nom du responsable scientifique : LECHENAULT Frédéric
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 novembre 2019
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Nous avons récemment montré qu'un modèle de tissu tricoté présente un bruit de craquement dans sa réponse en force qui correspond à des bandes de glissement étendues ressemblant à des failles dans son champ de déformation spatiale. L'invariance d'échelle affichée par ces caractéristiques, ainsi que leur morphologie, rappelle fortement les événements sismiques. Ce système peut donc, dans une certaine mesure, être considéré comme un modèle pour les tremblements de terre.
Par ailleurs, l'émergence de techniques d'apprentissage automatique extrêmement puissantes, principalement représentées par des réseaux de neurones artificiels élaborés et ce que l'on appelle «apprentissage en profondeur», a donné à la communauté géophysique l'espoir que certains aspects de l'activité géosismique pourraient être inférés à partir de mesures antérieures, le Graal étant bien sûr une prévision exacte des séismes. Cependant, dans ce cas, les grandes quantités de données nécessaires à la formation de filets profonds pour pouvoir prédire l'activité géophysique sont très coûteuses à rassembler et difficiles d'accès, et jusqu'à présent apparemment insuffisantes.
Au contraire, dans notre modèle, nous pouvons produire de grandes quantités de données à un coût pratiquement nul et avec un temps modéré. L'objectif du stage est donc de collecter et d'analyser des données «sismiques» issues de la déformation d'un modèle tricoté et d'essayer de former un réseau de neurones sur la série chronologique correspondante afin de prédire les quantités de séisme tricot pertinentes. Pour donner suite à cette idée, un mécanisme d'attention peut être inclus sur le réseau, ce qui peut indiquer ce sur quoi il se concentre pour effectuer des prévisions. Notre objectif ultime est de déchiffrer ces informations afin de rationaliser ce qui dans les données historiques est pertinent pour effectuer la prévision et, éventuellement, de procéder à une comparaison avec des données géo-sismiques.

Le stage est à la fois expérimental et théorique et fait appel à diverses techniques: fabrication et caractérisation d'échantillons tricotés, mesures précises de la force / du déplacement, traitement de l'image et, du côté théorique, identification des architectures de réseau neuronal et des formats d'entrée / sortie pertinents.

Contexte de travail

Laboratoire de Physique de l'ENS

Contraintes et risques

N/A

On en parle sur Twitter !