Job offer

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

Résumé du poste

Une opportunité passionnante dans un établissement de recherche de premier plan, axée sur l'application des réseaux neuronaux informés par la physique pour résoudre des problèmes inverses complexes. Ce projet innovant se concentre sur l'amélioration des performances des PINN, en abordant des défis tels que la gestion des données bruitées et des géométries complexes. Les candidats retenus auront l'occasion d'explorer des architectures avancées et d'appliquer des techniques d'apprentissage profond dans un environnement stimulant. Si vous êtes passionné par la recherche en ingénierie et que vous souhaitez contribuer à des avancées significatives dans le domaine, cette thèse est faite pour vous.

Qualifications

• Formation scientifique requise avec des connaissances en ondes et apprentissage profond.
• Autonomie, persévérance et créativité sont essentielles.

Responsabilités

• Étudier l'application des PINN à divers problèmes inverses.
• Explorer différentes architectures de PINN et stratégies d'optimisation.

Connaissances

Connaissances en ondes et propagation

Résolution de problèmes directs/inverses

Apprentissage profond

Langage Python

Formation

Formation scientifique ingénieur/M2

Description du poste

Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

Les problèmes inverses consistent à déduire des paramètres inconnus ou des propriétés d'un système à partir de données observées. Ces problèmes sont souvent mal posés, ce qui signifie que les solutions peuvent ne pas exister, être uniques ou stables à de petites variations des données. Les méthodes numériques traditionnelles et bien établies sont souvent confrontées à des défis liés aux problèmes mal posés, à la sensibilité au bruit et au coût de calcul, en particulier dans les systèmes complexes. Les réseaux neuronaux informés par la physique (Raissi et al., 2019) offrent une alternative attrayante en tirant parti de la puissance des réseaux neuronaux pour approximer des fonctions complexes tout en codant simultanément des lois physiques connues. Ce projet de recherche étudie l'application des PINN à la résolution de divers problèmes inverses, en se concentrant sur leur capacité à gérer des données bruitées, des géométries complexes et des espaces de paramètres de haute dimension. Nous explorerons différentes architectures de PINN, des formulations de fonctions de perte et des stratégies d'optimisation afin d'améliorer leurs performances et leur robustesse. Nous ciblerons plus particulièrement les problèmes de diffraction inverse des ondes, en évaluant la précision et l'efficacité des PINN par rapport aux approches traditionnelles.

Outre les PINN, l'utilisation de réseaux neuronaux à valeurs complexes (CVNN) (Guo et al., 2021) étend les réseaux neuronaux traditionnels à valeurs réelles en permettant aux neurones et à leurs paramètres d'avoir des valeurs complexes. Ceci est particulièrement utile dans les problèmes de diffusion inverse où les phénomènes ondulatoires sont naturellement représentés dans le domaine complexe. Ils peuvent modéliser directement les informations d'amplitude et de phase, améliorant ainsi la précision des problèmes basés sur les ondes tout en renforçant les capacités de généralisation dans les problèmes inverses électromagnétiques et acoustiques.

Début de la thèse : 01/10/2025

Funding category : Contrats ED : Programme blanc GS-SIS

Minimum Requirements:

1. Formation scientifique ingénieur/M2 avec des connaissances en ondes et propagation et/ou résolution de problème direct/inverse et/ou apprentissage profond.
2. La connaissance du langage python est un plus.
3. L'autonomie, la persévérance, la créativité et un regard critique sur les méthodes développées et les résultats obtenus sont également des qualités nécessaires au bon déroulement de la thèse.

Number of offers available: 1

Company/Institute: Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes

Country: France

City: GIF SUR YVETTE