Doctorant(e) en intelligence artificielle scientifique et modélisation spatio-temporelle de la biodiversité

Inria Montpellier; Montpellier; Sur place; EUR 27 000 - 32 000; Plein temps

Avantages offerts par ce poste

Bourse doctorale

Accès ressources Inria et réseau inter

Contexte international

Résumé du poste

Le doctorant sera rattaché à Inria Montpellier et travaillera dans un cadre interdisciplinaire avec des équipes IA, écologie quantitative et modélisation des systèmes dynamiques. Il développera des méthodes utilisant les Process-Informed Neural Networks (PINNs) pour mieux comprendre et prédire la dynamique spatio-temporelle des communautés végétales.

Le projet combine apprentissage profond et connaissances écologiques, avec évaluation sur données réelles et synthétiques et diffusion des

Qualifications

• Maîtrise des concepts de ML et d'analyse numérique.
• Capacité à concevoir et évaluer des méthodes numériques.
• Bonne maîtrise de l’anglais scientifique.
• Autonomie et rigueur scientifique exigées.

Responsabilités

• Étudier l'état de l'art en modélisation dynamique des systèmes écologiques et en Scientific Machine Learning (PINNs).
• Explorer des formulations mathématiques et leur intégration dans des architectures d'apprentissage profond.
• Concevoir et développer des approches basées sur les PINNs et d'autres méthodes hybrides.
• Etudier l'inférence de paramètres écologiques et la reconstruction de dynamiques spatio-temporelles.
• Développer des outils de simulation sur données synthétiques et réelles (inventaires végétation, données environnementales, télédétection).
• Évaluer robustesse, généralisation et pertinence écologique des modèles proposés.
• Publier les résultats dans conférences et revues internationales et diffuser en logiciel libre.

Connaissances

Apprentissage automatique

Optimisation numérique

Modélisation mathématique

Programmation scientifique

Python

Anglais scientifique

Ecologie quantitative

Données spatiales

Télédétection

Apprentissage profond

Équations différentielles

Systèmes dynamiques

Inférence de paramètres

Formation

Master 2 ou diplôme d'ingénieur en informatique, IA, mathématiques appliquées ou discipline équivalente

Outils

PyTorch

JAX

Description du poste

Context

Cette thèse s'inscrit dans le cadre du PEPR DynaBiod, qui vise à faire progresser la compréhension et la modélisation des dynamiques de la biodiversité, notamment en mobilisant les avancées récentes de l'intelligence artificielle et de la modélisation mathématique.

Le projet sera mené à Montpellier, dans un environnement de recherche interdisciplinaire associant Inria et des équipes spécialisées en intelligence artificielle, écologie quantitative et modélisation des systèmes dynamiques. Il bénéficiera de la complémentarité des compétences des encadrants, ainsi que de l'écosystème scientifique développé autour de Pl@ntNet et de l'IA pour la biodiversité.

Le doctorant ou la doctorante contribuera à un programme de recherche ambitieux, à l'interface entre apprentissage profond, modélisation mécaniste et écologie. Le poste offre l'opportunité de développer des méthodes originales, notamment autour des Process-Informed Neural Networks (PINNs), et de les confronter à des données écologiques réelles, dans un contexte de collaborations interdisciplinaires.

Assignment

L'objectif de cette thèse est de développer de nouvelles approches d'intelligence artificielle permettant de mieux comprendre et prédire la dynamique spatio-temporelle des communautés végétales.

Les travaux exploreront notamment le potentiel des Process-Informed Neural Networks (PINNs) pour combiner apprentissage à partir de données et connaissances issues de l'écologie théorique. L'ambition est de dépasser les limites des approches purement corrélatives en intégrant des contraintes et des processus écologiques dans les modèles d'apprentissage.

Un enjeu central sera d'identifier les formulations mathématiques et les architectures d'apprentissage les plus adaptées à la dynamique des communautés végétales, puis d'étudier leur capacité à inférer des processus et paramètres écologiques à partir d'observations spatiales et temporelles incomplètes, hétérogènes et bruitées.

Main activities

• Étudier l'état de l'art en modélisation dynamique des systèmes écologiques, en Scientific Machine Learning et en PINNs.
• Explorer différentes formulations mathématiques des dynamiques écologiques et leur intégration dans des architectures d'apprentissage profond.
• Concevoir et développer des approches fondées sur les PINNs et, si pertinent, d'autres méthodes hybrides combinant modèles mécanistes et apprentissage automatique.
• Étudier l'inférence de paramètres écologiques et la reconstruction de dynamiques spatio-temporelles à partir d'observations partielles.
• Développer des outils de simulation et d'évaluation sur des données synthétiques et réelles (inventaires de végétation, données environnementales, télédétection).
• Évaluer la robustesse, la généralisation et la pertinence écologique des modèles proposés.
• Publier les résultats dans des conférences et revues scientifiques internationales et contribuer à leur diffusion en logiciel libre.

Skills

Formation :

• Master 2 ou diplôme d'ingénieur en informatique, intelligence artificielle, mathématiques appliquées ou discipline équivalente.

Compétences attendues :

• Bonnes connaissances en apprentissage automatique, optimisation numérique et/ou modélisation mathématique.
• Solides compétences en programmation scientifique (Python).
• Capacité à concevoir et évaluer des méthodes numériques.
• Autonomie, rigueur scientifique et goût pour la recherche.
• Bonne maîtrise de l'anglais scientifique.

Compétences appréciées :

• Connaissances en écologie quantitative, données spatiales ou télédétection.
• Expérience en apprentissage profond (PyTorch, JAX ou équivalent).
• Connaissances en équations différentielles, systèmes dynamiques ou PINNs.
• Expérience en simulation numérique et en inférence de paramètres.