Job offer

European Commission; France; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une opportunité de thèse en mathématiques appliquées est offerte pour développer des approches d'assimilation de données basées sur le DAS. Le candidat idéal aura des compétences en Python et en apprentissage automatique, avec une forte autonomie et curiosité. La thèse débutera le 1er octobre 2025 et se concentre sur l'estimation des dynamiques spatio-temporelles en milieu urbain.

Qualifications

• Profil en mathématiques appliquées ou contrôle, avec goût pour les modèles physiques et méthodes numériques.
• Compétences en apprentissage supervisé et PINN souhaitées.

Responsabilités

• Développer et évaluer des approches d'apprentissage basé sur la physique.
• Rethink l'algorithmique d'assimilation de données.

Connaissances

Analyse des équations aux dérivées partielles

Estimation bayésienne

Apprentissage automatique

Programmation Python/PyTorch

Autonomie

Curiosité

Capacité d'adaptation

Bonnes compétences rédactionnelles

Description du poste

Organisation/Company: Université Grenoble Alpes

Research Field: Computer science » Informatics

Researcher Profile: Recognised Researcher (R2), Leading Researcher (R4), First Stage Researcher (R1), Established Researcher (R3)

Country: France

Application Deadline: 3 Jul 2025 - 22:00 (UTC)

Type of Contract: Temporary

Job Status: Full-time

Is the job funded through the EU Research Framework Programme? Not funded by a EU programme

Is the Job related to staff position within a Research Infrastructure? No

Offer Description

Cette thèse est consacrée à l'assimilation de données DAS (Distributed Acoustic Sensing) basée sur l'utilisation de la fibre optique déployée pour l'Internet afin de réaliser l'estimation d'état ou de paramètres de dynamiques spatio-temporelles complexes en milieu urbain dans le contexte de la gestion d'une crise. On s'intéressera tout particulièrement à l'estimation de dynamique de groupes d'individus. Grâce à la fibre optique aujourd'hui largement déployée au milieu urbain, il est possible de détecter des signaux de contraintes de déformation de manière distribuée. L'introduction du DAS incite cependant à repenser l'algorithmique d'assimilation de données. On cherchera à développer et évaluer des approches d'apprentissage basé sur la physique (PINN) en établissant des liens avec les approches traditionnelles de l'assimilation de données.

This thesis is devoted to the assimilation of Distributed Acoustic Sensing (DAS) data based on the use of fiber optics deployed for the Internet in order to perform state or parameter estimation of complex spatio-temporal dynamics in an urban environment in the context of crisis management. Particular attention will be paid to estimating the dynamics of groups of individuals. With fiber optics now widely deployed in urban environments, it is possible to detect deformation stress signals in a distributed manner. However, the introduction of DAS calls for a rethink of data assimilation algorithms. The aim is to develop and evaluate physics-based learning approaches (PINN), establishing links with traditional data assimilation approaches.

Début de la thèse : 01/10/2025

Funding category: Autre financement public

ANR Financement d'Agences de financement de la recherche

Profile Requirements

• Profile in control or applied mathematics, with a taste for physical models and numerical methods
• Partial differential equation analysis, variational approach, Bayesian estimation, machine learning (PINN, supervised learning)
• Python/PyTorch programming
• Autonomy, curiosity and adaptability
• Good writing skills