Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISTIC
Durée : 4-6 mois
Contact : yajing.yan@univ-smb.fr
Date limite de publication : 2025-03-01

Contexte :

Sujet :
En sciences naturelles, la modélisation des phénomènes physiques constitue un sujet difficile. Les formules existantes ne suffisent parfois pas à représenter adéquatement les mécanismes complexes (notamment ceux non observables). Il arrive également que ces formules existantes ne correspondent pas parfaitement aux observations issues de données. Ces
problèmes ont été rencontrés par exemple dans les suivis de la concentration des polluants, des étalements de végétation, et des coulées de lave. Dans ce stage, nous nous concentrons
sur la modélisation volcanique. En volcanologie, les scientifiques disposent des mesures de déplacements en surface induits par une source volcanique en profondeur et utilisent ces
mesures pour estimer les paramètres physiques d’un modèle volcanique. Dans un premier temps, nous partons d’un modèle simple sous forme d’une expression analytique, le modèle Mogi. Dans ce modèle le déplacement en surface est directement
induit par un changement rapide du volume de la chambre magmatique qui se situe à une profondeur donnée. Dans ce modèle, les deux paramètres clés sont la variation du volume et
la profondeur de la chambre magmatique. L’objectif du stage consiste à utiliser les méthodes de régression symbolique pour affiner le modèle Mogi car il reste une vision simplifiée de la
physique sous-jacente. La régression symbolique devrait alors permettre d’affiner ce modèle directement à partir des données. La pertinence de l’approche et la sensibilité de la modélisation à la variété de l’activité volcanique sur différents sites volcaniques pourront être mesurées et comparées au modèle Mogi original. En s’appuyant sur des travaux basés sur l’IA classique développés au laboratoire sur l’inversion de modèles géophysiques, 3 types de données sont disponibles pour créer un cadre expérimental et de validation : 1) déplacements simulés à partir du modèle Mogi 2) déplacements simulés plus un bruit ajouté 3) déplacements réels sur des volcans africains. Cette étude sera étendue à un modèle volcanique plus sophistiqué, par exemple, le modèle Okada qui décrit le mécanisme de fonctionnement d’un volcan avec plus de paramètres et s’appuyant sur des équations différentielles.

Références :
– Tenachi, W., et al. (2023). Physical Symbolic Optimization. arXiv:2312.03612.
– Albino, F., & Biggs, J. (2021). Magmatic processes in the East African Rift system: insights from a 2015–2020 Sentinel‐1 InSAR survey. Geochemistry, Geophysics, Geosystems, 22(3), e2020GC009488.
– Dzurisin, D. (2007), Volcano Deformation: Geodetic Monitoring Techniques. Mogi, K. (1958), Bull. Earthq. Inst. U. Tokyo, 36, 99‐134
– Lopez-Uroz L, Yan Y., Benoit A., Albino F., Bouygues P., Giffard-Roisin S., Pinel V., Exploring Deep Learning for Volcanic Source Inversion, IEEE Transactions on Geosciences & Remote Sensing.
– Petersen, B. K., et al. (2019). Deep symbolic regression: Recovering mathematical expressions from data via risk-seeking policy gradients. arXiv:1912.04871.

Merci de nous envoyer un CV et une lettre de motivation, idéalement accompagnés des relevés de notes de M1, M2 (ou Bac+4 et Bac+5).

Profil du candidat :

Formation et compétences requises :
Machine learning, Python programming

Adresse d’emploi :
LISTIC, 5 chemin de bellevue, CS80439, 74944, Annecy-le-Vieux