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

Laboratoire/Entreprise : Laboratoire d’Informatiques et des Systèmes, Univ
Durée : 36 mois
Contact : adeline.paiement@lis-lab.fr
Date limite de publication : 2025-06-26

Contexte :
The PhD will be supervised by Adeline Paiement at Laboratoire d’Informatique et des Systèmes (LIS). This project is part of an existing and very active partnership with the LESIA laboratory at Paris Observatory.

The PhD will take place in the LIS Toulon laboratory. The PhD student will have access to the computing resources of LIS, and in particular to its high-performance computing cluster. The PhD will be integrated into and will complement the ANR JCJC PRESAGE (PREdicting Solar Activity using machine learning on heteroGEneous data) project (Oct. 2021 – Feb. 2027, partnership with Jean Aboudarham at LESIA). It will exploit and adapt the machine learning methods being developed within PRESAGE for the analysis of multimodal observations.

**************************
La thèse sera dirigée par Adeline Paiement, MdC HDR au Laboratoire d’Informatique et des Systèmes (LIS). Ce projet s’inscrit dans un partenariat existant et très actif avec le laboratoire LESIA à l’Observatoire de Paris.

La thèse se déroulera dans le laboratoire LIS Toulon. Le doctorant aura accès aux ressources de calcul du LIS, et notamment à son cluster calcul haute performance. La thèse s’intégrera dans et complétera le projet ANR JCJC PRESAGE (PREdicting Solar Activity using machine learning on hétéroGEneous data) (oct. 2021 – fév. 2027, partenariat avec Jean Aboudarham au LESIA). Elle exploitera et adaptera les méthodes de machine learning en cours de développement dans le cadre de PRESAGE pour l’analyse des observations multimodales.

Sujet :
Solar activity events appear to be strongly associated with the evolution of solar structures, which are objects in the solar atmosphere that differ from the “quiet” atmosphere and appear, evolve, and disappear over a period of a few days to months. The exact mechanisms of solar activity and the links between solar activity events and solar structures are still poorly understood.

We hypothesize that solar structures can have typical behaviors, both isolated and in interaction with other structures and with solar activity events. Such patterns of behavior have never been researched. Our goal is to discover them, if they exist, using machine learning methods.

Solar structures are traditionally studied individually and using only one observation modality at a time. This greatly limits the possibilities of discovering behavior patterns. Using machine learning tools, this project will carry out the first longitudinal study of a large number of structures. In addition, it will co-exploit multimodal and heterogeneous observations of the sun that reveal different facets of the Sun.

The expected results of this exploratory project are: 1) to obtain information on the existence of typical behaviors for solar structures, 2) to model these behaviors and provide a physical interpretation, 3) to link behaviors and their anomalies to solar activity events. These behavioral models would open up the prospect of a better understanding and prediction of solar activity events, with applications in particular for space weather.

**************************
Les événements d’activité solaire semblent être fortement associés à l’évolution des structures solaires, qui sont des objets de l’atmosphère solaire qui diffèrent de l’atmosphère « calme » et qui apparaissent, évoluent et disparaissent sur une période de quelques jours à mois. Les mécanismes exacts de l’activité solaire et les liens entre les événements d’activité solaire et les structures solaires sont encore mal compris.

Nous émettons l’hypothèse que les structures solaires peuvent avoir des comportements types, à la fois isolés et en interaction avec d’autres structures et avec les événements d’activité solaire. De tels modèles de comportement n’ont jamais été recherchés. Notre objectif est de les découvrir, s’ils existent, à l’aide de méthodes d’apprentissage automatique.

Les structures solaires sont traditionnellement étudiées individuellement et à l’aide d’une seule modalité d’observation à la fois. Cela limite grandement les possibilités de découverte de comportements. Grâce aux outils d’apprentissage automatique, ce projet va réaliser la première étude longitudinale d’un grand nombre de structures. De plus, il co-exploitera des observations multimodales et hétérogènes du soleil qui en révèlent différentes facettes.

Les résultats attendus de ce projet exploratoire sont : 1) obtenir des informations sur l’existence de comportements typiques pour les structures solaires, 2) modéliser ces comportements et en fournir une interprétation physique, 3) relier les comportements et leurs anomalies à des événements d’activité solaire. Ces modèles de comportement ouvriraient la perspective d’une meilleure compréhension et prédiction des événements d’activité solaire, avec des applications notamment pour la météorologie spatiale.

Profil du candidat :
MSc in computer science, data science, or physics, with strong experience in programming. Experience in machine learning and/or solar physics would be appreciated.

**************************
Master 2 ou diplôme d’ingénieur en informatique, science des données, ou physique, avec expérience forte en programmation exigée, et expérience souhaitable en apprentissage automatique et/ou physique solaire.

Formation et compétences requises :

Adresse d’emploi :
Laboratoire LIS, Université de Toulon, campus de La Garde
Av. de l’Université
83130 La Garde

Document attaché : 202506132029_announcement.pdf