Post-Doctorant F / H Cœur numérique unifié pour la hiérarchie de modèles d’océan

INRIA; Paris; Sur place; EUR 38 000 - 48 000; Plein temps

Résumé du poste

Un institut de recherche en informatique recherche un post-doctorant en simulation océanique pour développer des modèles mathématiques et collaborer scientifiquement avec d'autres équipes. Les candidats doivent avoir une thèse en calcul scientifique. Ce poste inclut des déplacements réguliers au Chili, avec le financement des frais de voyage. Un cadre de travail inclusif avec des avantages variés est proposé.

Prestations

Restauration subventionnée

Transports publics remboursés partiellement

Congés annuels de 7 semaines + 10 jours de RTT

Télétravail possible

Équipements professionnels à disposition

Accès à la formation professionnelle

Qualifications

• Doctorat en mathématiques appliquées ou calcul scientifique.
• Capacités de collaboration dans des projets de recherche.
• Compétences en programmation requises.

Responsabilités

• Développer un code de calcul pour la simulation océanique.
• Participer à des voyages de recherche au Chili.
• Optimiser les modèles de prévision physiques avec des réseaux neuronaux.

Connaissances

Analyse mathématique

Codage numérique

Collaboration

Anglais (B2)

Français (bilingue)

Formation

Thèse en calcul scientifique

Description du poste

Contexte et atouts du poste

Dans le cadre d’un partenariat de collaboration entre 2 équipes Inria : ANGE et INRIA Chile.

L’objectif est de produire et développer un code de calcul certifié mathématiquement pour la simulation océanique à grande échelle et initier une collaboration scientifique avec le Chili.

Des déplacements réguliers sont prévus pour ce poste : au moins un voyage au Chili est prévu pour ce post‑doc.

Les frais de déplacements seront pris en charge dans la limite du barème en vigueur.

Mission confiée

Augmenting physical models with neural networks is an important area of research [1], it allows to improve the forecasting of physical systems when only partial knowledge of their dynamics is known. In this setting, the system is decomposed into a physical part, driven by the known equation(s) of the physical system, and a learned part, where parameters are chosen in a supervised manner, by comparing with observations or outputs of higher fidelity models. This approach has the potential to improve our physical models and increase their efficiency, providing an alternative to physical parameterisations that attempt to approximate unresolved phenomena. Large‑scale approaches that successfully combine dynamical models with deep learning, such as the Neural GCM [2], have had a very important impact on the weather and climate prediction community and seem very promising for ocean models.

Most of the existing works [3, 4, 5] have trained these parametrisations in an "offline" way, training the network to compensate the error of the physical model independently at each step. Even if this approach has shown encouraging results, it still has the effect of making the system unstable at test time, causing the simulation to stop after a few numerical integration steps. Several papers [6, 7, 8] have investigated this problem and shown that training parametrisations "online" has a major positive impact on the results, mostly mitigating stability issues. However, training parametrisations online is a major challenge, as the backpropagation through time can be unstable and requires large computational and memory load during training. Several strategies have been proposed to mitigate these difficulties, and the deep learning literature is rich in approaches to deal with the problem associated with long‑term backpropagation through time. With the emergence of ocean models implemented in modern auto‑differentiable languages [9, 10], applying these kinds of approaches to ocean models becomes possible and seems like a great opportunity.

The aim of the postdoc is to benchmark different online learning approaches in simplified Navier‑Stokes systems (shallow water, quasi‑geostrophic models) and to explore different solutions to improve their results and reduce their training computational cost. It is also expected to compare these methods with the diffusion‑based autogressive models presented in [11], which do not rely on physical models. By providing a benchmark and a set of techniques to facilitate the training of these approaches, the aim is to pave the way for the application of such approaches in larger, more complex ocean general circulation models.

[1] Yin, et. al. "Augmenting Physical Models with Deep Networks for Complex Dynamics Forecasting". Journal of Statistical Mechanics: Theory and Experiment - 2021

[2] Kochkov, et. al. "Neural General Circulation Models for Weather and Climate". Nature - 2024

[3] Zanna, et. al. "Data‑Driven Equation Discovery of Ocean Mesoscale Closures". Geophysical Research Letters 47 - 2020

[4] Ross, et. al. "Benchmarking of Machine Learning Ocean Subgrid Parameterizations in an Idealized Model". Journal of Advances in Modeling Earth Systems 15 - 2023

[5] Pedersen, et. al. "Reliable Coarse‑Grained Turbulent Simulations through Combined Offline Learning and Neural Emulation". arXiv - 2023

[6] List, et. al. "How Temporal Unrolling Supports Neural Physics Simulators". arXiv - 2024

[7] Ramadhan, et. al. "Capturing Missing Physics in Climate Model Parameterizations Using Neural Differential Equations". essoar - 2022.

[8] Frezat, et. al. "A Posteriori Learning for Quasi‑Geostrophic Turbulence Parametrization". Journal of Advances in Modeling Earth Systems 14 - 2022

[9] Ramadhan, et. al. "Oceananigans.Jl : Fast and Friendly Geophysical Fluid Dynamics on GPUs". Journal of Open Source Software 5 - 2020

[10] Häfner, et. al. "Veros v0.1 – a Fast and Versatile Ocean Simulator in Pure Python". Geoscientific Model Development 11 - 2018

[11] Kohl, et. al. "Benchmarking Autoregressive Conditional Diffusion Models for Turbulent Flow Simulation". arXiv - 2024

Principales activités

Principales activés :

étude mathématique d'une hiérarchie de modèles pour l'océanographie, codage d'un cœur numérique associé, application à la simulation océanographique.

Activités complémentaires : participation aux activités régulières de l'équipe (séminaires, groupe de travail, participation occasionnelle à l'encadrement doctoral)

Compétences

Compétences techniques et niveau requis : thèse en calcul scientifique ou dans un domaine voisin

Langues : français, anglais

Compétences relationnelles : capacités de collaborations

Avantages

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés : 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale