Archives

CfP FRCCS 2023 – Third French Regional Conference on Complex Systems, May 31 Le Havre, France, June 02, 2023

Date : 2023-05-31 => 2023-06-02
Lieu : Le Havre, France

Third French Regional Conference on Complex Systems
May 31 – June 02, 2023
Le Havre, France
FRCCS 2023

You are cordially invited to submit your contribution until February 22, 2023.

FRCCS 2023 (French Regional Conference on Complex Systems 2023) is the Third edition of the French Regional Conference on Complex Systems. It promotes interdisciplinary exchanges between regional researchers from various scientific disciplines and backgrounds (sociology, economics, history, management, archaeology, geography, linguistics, statistics, mathematics, and computer science). FRCCS 2023 is an opportunity to exchange and promote the cross-fertilization of ideas by presenting recent research work, industrial developments, and original applications. Special attention is given to research topics with a high societal impact from the complexity science perspective.

Keynote Speakers (To Be Updated)
Luca Maria Aiello ITU Copenhagen Denmark
Ginestra Bianconi Queen Mary University UK
Adriana Iamnitchi Maastricht University Netherlands
Rosario N. Mantegna Palermo University Italy
Céline Rozenblat University of Lausanne Switzerland

Submission Guidelines
Finalized work (published or unpublished) and work in progress are welcome. Two types of contributions are accepted:
• Full paper about original research

• Extended Abstract about published or unpublished research. It is recommended to be between 3-4 pages. They should not exceed four pages.

o Submissions must follow the Springer publication format available in the journal Applied Network Science in the Instructions for Authors’ instructions entry.

o All contributions should be submitted in pdf format via EasyChair.

Publication
Selected submissions of unpublished work will be invited for publication in special issues (fast track procedure) of the journals:

o Applied Network Science, edited by Springer
o Complexity, edited by Hindawi

Topics include, but are not limited to:
• Foundations of complex systems
o Self-organization, non-linear dynamics, statistical physics, mathematical modeling and simulation, conceptual frameworks, ways of thinking, methodologies and methods, philosophy of complexity, knowledge systems, Complexity and information, Dynamics and self-organization, structure and dynamics at several scales, self-similarity, fractals
• Complex Networks
o Structure & Dynamics, Multilayer and Multiplex Networks, Adaptive Networks, Temporal Networks, Centrality, Patterns, Cliques, Communities, Epidemics, Rumors, Control, Synchronization, Reputation, Influence, Viral Marketing, Link Prediction, Network Visualization, Network Digging, Network Embedding & Learning.
• Neuroscience, Linguistics
o Evolution of language, social consensus, artificial intelligence, cognitive processes & education, Narrative complexity
• Economics & Finance
o Game Theory, Stock Markets and Crises, Financial Systems, Risk Management, Globalization, Economics and Markets, Blockchain, Bitcoins, Markets and Employment
• Infrastructure, planning, and environment
o critical infrastructure, urban planning, mobility, transport and energy, smart cities, urban development, urban sciences
• Biological and (bio)medical complexity
o biological networks, systems biology, evolution, natural sciences, medicine and physiology, dynamics of biological coordination, aging
• Social complexity
o social networks, computational social sciences, socio-ecological systems, social groups, processes of change, social evolution, self-organization and democracy, socio-technical systems, collective intelligence, corporate and social structures and dynamics, organizational behavior, and management, military and defense systems, social unrest, political networks, interactions between human and natural systems, diffusion/circulation of knowledge, diffusion of innovation
• Socio-Ecological Systems
o Global environmental change, green growth, sustainability & resilience, and culture
• Organisms and populations
o Population biology, collective behavior of animals, ecosystems, ecology, ecological networks, microbiome, speciation, evolution
• Engineering systems and systems of systems
o bioengineering, modified and hybrid biological organisms, multi-agent systems, artificial life, artificial intelligence, robots, communication networks, Internet, traffic systems, distributed control, resilience, artificial resilient systems, complex systems engineering, biologically inspired engineering, synthetic biology
• Complexity in physics and chemistry
o quantum computing, quantum synchronization, quantum chaos, random matrix theory)

GENERAL CHAIRS
Cyrille Bertelle LITIS, Normastic, Le Havre
Roberto Interdonato CIRAD, UMR TETIS, Montpellier

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

9ème École d’Hiver é-EGC “Gestion et traitement intelligent des écosystèmes de graphes de connaissances”, Lyon, France

Date : 2023-05-31 => 2023-01-20
Lieu : Lyon, France

ECOLE D’HIVER – APPEL A PARTICIPATION

9ème Ecole d’Hiver é-EGC sur le thème « Gestion et traitement intelligent des écosystèmes de graphes de connaissances »

16 – 20 Janvier 2023, Lyon – France

https://egc2023.sciencesconf.org/resource/page/id/20

==============================================

La neuvième École d’Hiver é-EGC, sur le thème « Gestion et traitement intelligent des écosystèmes de graphes de connaissances », est un événement organisé par l’Association Extraction et Gestion de Connaissances (EGC, http://www.egc.asso.fr/).

Cet événement s’organise autour de deux activités principales :

• deux jours de formation : les 16 et 17 Janvier 2023

• participation à la conférence EGC2023 : du 18 au 20 janvier 2023

Cet appel est également disponible à l’adresse :

https://egc2023.sciencesconf.org/resource/page/id/20

THEME DE L’ECOLE : Gestion et traitement intelligent des écosystèmes de graphes de connaissances

Cette école s’intéresse à la gestion et au traitement intelligent des écosystèmes de graphes de connaissances disponibles aujourd’hui dans tous les domaines. Cette thématique englobe les approches d’intelligence artificielle symbolique, numérique ou hybride pour la construction, la publication, l’interrogation et l’exploitation de bases de graphes de connaissances annotés et interconnectés. Corollairement, elle touche aux problématiques de la qualité des données et graphes de connaissances produits, de la provenance des graphes de connaissances et de l’explication des résultats de leurs traitements.

OBJECTIFS DE L’ECOLE

Les deux jours de formation ont pour but principal d’offrir aux participants des tutoriaux d’initiation dans le domaine de recherche couvrant les thèmes de l’école mais également des tutoriaux plus spécifiques présentant les récentes avancées proposant des solutions et des techniques nouvelles pour les différentes problématiques ayant émergées dans ce domaine. Certains exposés seront associés à des séances plus pratiques afin de permettre aux participants de manipuler quelques outils.

La participation à la conférence permettra aux participants de prendre part à un des événements majeurs de la communauté francophone de l’extraction et la gestion de connaissances. Elle leur permettra d’assister à des présentations de nouvelles avancées et approches développées dans la communauté, ceci pouvant ainsi inspirer leur parcours scientifique futur.

Enfin, cette école souhaite offrir aux jeunes chercheurs (doctorants, post-doctorants et ingénieurs) et aux chercheurs confirmés du domaine la possibilité de se rencontrer et d’échanger des idées, ce qui devrait également permettre aux jeunes chercheurs d’enrichir leur réseau.

PROGRAMME DE L’ECOLE

Le programme sera finalisé et disponible sur le site de l’école dans les plus brefs délais ; voici la liste des intervenants :

Pierre-Antoine Champin (Univ. Lyon)

Catherine Faron (Univ. Côte d’Azur)

Clément Jonquet (Inrae)

Axel Ngonga (Univ. Paderborn, Allemagne)

Nathalie Pernelle (Univ. Sorbonne Paris Nord)

Hala Skaf (Univ. Nantes)

Raphaël Troncy (Eurecom)

PUBLIC CONCERNE

L’École d’Hiver é-EGC 2023 s’adresse particulièrement aux doctorants et étudiants, de manière générale, désirant approfondir leurs connaissances dans le domaine de l’exploration de données et de l’apprentissage.

COMITÉ SCIENTIFIQUE ET ORGANISATION

• Catherine Faron (I3S, Université Côte d’Azur)

• Arnaud Martin (IRISA, Université de Rennes 1)

• Cécile Favre (ERIC, ICOM)

• Sabine Loudcher (ERIC, ICOM)

• Claudia Marinica (LS2N, Université de Nantes)

DATES IMPORTANTES

• Date limite pré-inscriptions (CV à fournir) : 07/12/2022

• Inscription effective (École (formation + conférence EGC), sur le site de la conférence) : 15/12/2022

L’INSCRIPTION SE RÉALISE EN DEUX ÉTAPES

1/ Les participants doivent manifester leur intérêt, avant le 07/12/2022, pour participer à l’École en s’inscrivant avec ce formulaire :

https://forms.gle/zcMGiwRQyFb27vDs6

Pour que la pré-inscription soit prise en compte, elle doit être accompagnée d’un CV récent du participant.

2/ Après la confirmation de la pré-inscription par le comité d’organisation, et avant le 15/12/2022, les participants doivent s’inscrire via la page d’inscription de la conférence EGC 2023 (attention de bien choisir le tarif comprenant l’École).

Le nombre de participants est limité à 30 personnes. Le tarif de l’inscription sera affiché sur le site de la conférence EGC (https://egc2023.sciencesconf.org/) et il comprend :

– la participation à l’École d’Hiver (16 et 17 janvier) ;

– la participation à la conférence (18 au 20 janvier) ;

– les déjeuners et le repas de gala.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Journée Apprentissage Automatique

Date : 2022-11-22
Lieu : Lien ZOOM , Université C.B. Lyon 1, LIRIS

Bonjour,

Nous avons le plaisir de vous inviter à la journée du projet européen
MACHINA :

https://machina.univ-lyon1.fr/journee/

Cette journée comprend des présentations sur les résultats de ce projet
dont l’objectif est d’offrir une formation professionnelle sous forme de
MOOC en Machine Learning.

Cette journée, organisée par l’Université Lyon 1 et le LIRIS, se tiendra
le 22 Novembre 2022 à 10h CET (par visio).

Pour des raisons organisationnelles, merci de bien vouloir vous inscrire
à l’adresse suivante :
https://docs.google.com/forms/d/e/1FAIpQLSf9vYlFiu4kfbB3T7SlyJDKe1LHOzPYNJDmlrJL0Fpz_0C0og/viewform

Bien Cordialement
Pr. Parisa Ghodous

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

[post-doc]Evaluating the propagation of belief functions inside neural networks: a pre-fusion architecture study

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

Laboratoire/Entreprise : IRIMAS
Durée : 12 mois
Contact : thomas.josso-laurain@uha.fr
Date limite de publication : 2023-06-01

Contexte :
The ANR EviDeep project focuses on autonomous vehicles, particularly the perception step whose goal is to locate the vehicle and identify potential obstacles that are surrounding the vehicle. The environment perception can be divided into two tasks: detecting the areas of interest and analysing the perceived scene. The target application of the project mainly concerns the analysis and the interpretation of the scene.
With the increase of the number of sensors of different nature (RGB camera, light-field camera, 2D and 3D lidar, radar, etc.), a fusion of these heterogeneous information needs to be done in order to take advantage of each source. This fusion can be realized by several approaches: probabilistic fusion [1] or evidential fusion [2].
With the rising of high computational power and artificial intelligence, various data-based approaches have been developed to perform perception tasks [3], often based on a mono source (RGB camera). On one side, some works integrate the evidential theory inside mono-sensor networks [4] or multi-sensors networks. On the other side, other works directly fuse the information inside the neural network according to different architectures [5].
The proposed architectures are respectively pre-fusion, cross-fusion and post-fusion, depending on where the fusion stage is located in the neural network pipeline. If the prototypes-based approach allows evidential post-fusion [6], the pre-fusion architecture is still a strong scientific lock since the propagation of belief functions inside a neural network (MLP, CNN, Transformers and so on) is not mastered. The post-doctoral researcher will work on this topic to tackle the pre-fusion problem.

Sujet :
The hired post-doctoral fellow will focus on the pre-fusion case, particularly how to integrate an evidential fusion before feeding a neural network, by following the steps:
1 – State of the art of architectures of pre-fusion, cross-fusion and post-fusion, particularly those involving evidential theory and belief functions
2 – Study on the propagation of belief functions and particularly how the ignorance is considered in each layer of different kinds of neural networks (MLP, CNN, Vision Transformers, etc.)
3 – Implementation of the identified pre-fusion scheme within a deep learning architecture
4 – Simulation results and comparison between the different proposed architecture (pre/cross/post fusion) – the hypothesis to be verified is that pre-fusion is a) feasible and b) more performant than cross/post-fusion (regarding evaluation metrics such as F1 score and error rate)
5 – Quantitative comparison of several fusion operators (DS, PCR6/6+, etc.) including performance metrics but also computational cost
(6) – Real-time implementation to the lab prototype may be investigated if desired
The obtained results by the post-doctoral researcher will be published in international conferences and impacted journals (Information Fusion, Neurocomputing…). In addition, the post-doctoral researcher will be part of the MIAM team in the ASI dept of the IRIMAS lab. He/she may also propose research projects to the engineering students of the ENSISA college of engineering.

Profil du candidat :
The candidate must have a PhD degree in Computer Science/Automatic Control with application of neural networks or data fusion.

Formation et compétences requises :
The candidate should demonstrate experience in autonomous driving/perception/data fusion/machine learning/deep learning. Good programming skills are expected. Knowledge about evidential theory and its applications will be benefit.

Adresse d’emploi :
Work conditions:
The whole activity will take place at IRIMAS, in the ASI dept, more precisely in the MIAM team at UHA, Mulhouse, France. The access to autonomous vehicle prototype will be given during the contract. This contract is founded by the ANR JCJC EviDeep.

Contract: Post-doctoral contract
Date of start: 01/03/2023
Duration: 12 months
Team: Dr. Thomas Josso-Laurain, Dr. Maxime Devanne, Pr. Jean-Philippe Lauffenburger
Application: If interested, please send CV + cover letter + publications list (top 5) to thomas.josso-laurain@uha.fr before 01/01/23. The application interviews will be conducted during the month of January to ensure a start for the beginning of March 2023.

Document attaché : 202211171436_Post-doc subject.pdf

Développement d’algorithmes de fusion de données évidentielle au sein d’un réseau de neurones pour la perception des véhicules autonomes

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

Laboratoire/Entreprise : IRIMAS
Durée : 6 mois
Contact : thomas.josso-laurain@uha.fr
Date limite de publication : 2023-06-01

Contexte :
Le stage proposé s’inscrit dans le contexte actuel des véhicules autonomes. De nos jours, la perception de l’environnement autour du véhicule représente encore un verrou scientifique. Cette information est primordiale pour la planification de la trajectoire à suivre, et une erreur peut très vite coûter des vies. La perception de l’environnement peut se décomposer en deux tâches hiérarchiques : la détection des zones d’intérêt et l’analyse de la scène perçue. Ce stage se focalise sur l’analyse et l’interprétation de la scène. Une fois les zones d’intérêt détectées, il s’agira de définir le contour des potentiels obstacles (bounding boxes) ainsi que de définir la nature de ces obstacles (notamment leur caractère mobile ou non) et les caractériser (taille, vitesse…).
Avec l’augmentation du nombre de capteurs de différente nature (caméra RGB, caméra plénoptique, lidar 2D, lidar 3D, radar, etc.), il convient d’opérer une fusion de ces informations hétérogènes afin de tirer profit de ce que chaque source a à offrir. Cette fusion peut être réalisée par des approches basées sur des modèles exprimés selon différents formalismes : la fusion probabiliste [1] ou la fusion évidentielle [2].
Avec l’émergence des puissances de calcul et de l’intelligence artificielle, de nombreuses approches basées données ont été développées pour performer les tâches de perception [3], souvent d’après les informations issues d’une unique caméra RGB. D’un côté, certains travaux intègrent désormais le formalisme évidentiel à des réseaux mono-capteur [4] voire multi-capteurs. D’autres fusionnent les données au sein de réseaux de neurones selon différentes architectures [5].
L’objectif de ce stage est de développer des systèmes de perception basés sur les réseaux de neurones intégrant une couche de fusion de données évidentielle. Le cadre applicatif sera le véhicule autonome du laboratoire IRIMAS avec ses capteurs intégrés.

Sujet :
Le/la stagiaire aura pour objectifs de faire un état de l’art sur la fusion de données, et particulièrement l’approche évidentielle, appliquée à la perception des véhicules autonomes. En parallèle, les Réseaux de Neurones Convolutifs (CNN) utilisés dans ce même cadre applicatif de la classification d’obstacles, seront étudiés.
En s’inspirant du travail de [4], il s’agira de mettre en place une structure neuronale permettant la fusion de plusieurs capteurs avec l’introduction de la théorie évidentielle. Dans un premier temps, le réseau de neurones sera choisi en accord avec l’application. Puis la méthode de fusion (pré-fusion, post-fusion ou cross-fusion) sera discutée. Enfin, des couches du réseau seront spécialement conçues pour intégrer l’approche évidentielle. Le modèle sera entraîné sur des datasets publics ou internes au laboratoire. Les résultats de classification de ce réseau de neurones évidentiel multi-capteurs seront analysés. L’ensemble des travaux de recherche réalisé par le/la stagiaire donnera lieu à des publications scientifiques pour des conférences internationales et/ou des journaux à facteur d’impact.

Profil du candidat :
Etudiant-e en dernière année d’Ecole d’ingénieur ou en Master 2, de formation Automatique, Systèmes Embarqués, Electronique, Informatique.

Formation et compétences requises :
Des bonnes compétences en programmation sont attendues. Une expérience de système réel, ou la connaissance de la théorie évidentielle, seront des plus.

Adresse d’emploi :
L’intégralité du stage se déroulera à IRIMAS, au sein du Département ASI (Automatique Signal Image) et plus précisément dans l’équipe MIAM (Modélisation Identification Automatique et Mécanique) de l’Université de Haute Alsace, à Mulhouse (France). Ce stage est financé par l’ANR JCJC EviDeep.
Pour toute demande d’information supplémentaire ou pour candidater, merci d’envoyer CV, résultats de Master/ingénieur et lettre de motivation avant le 01/01/2023. Pour des raisons sanitaires, nous n’accepterons que des candidatures issues d’étudiant(e)s actuellement en études supérieurs sur le sol français.

Document attaché : 202211171434_Master_internship_AV_2022.pdf

Representation Learning for Geographic Spatio-Temporal Generalisation

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

Laboratoire/Entreprise : ICube, University of Strasbourg
Durée : 6 mois
Contact : lampert@unistra.fr
Date limite de publication : 2022-12-12

Contexte :
Time-series are becoming prevalent in many fields, particularly when monitoring environmental changes of the Earth’s surface in the long term (climate change, urbanisation, etc), medium term (annual crop cycle, etc) or short term (earthquakes, floods, etc). With the current and future satellite constellations satellite image time-series (SITS) expand remote sensing’s impact.

Sujet :
Detailed subject: https://seafile.unistra.fr/f/7b4b402e34124fb396b7/?dl=1

The project’s goal is to develop domain invariant representations using deep learning for SITS analysis. Such methods will enable geographic generalisation, which consists of reusing information from the analysis of one geographic area to analyse others by using, or not, the same sensors, as proposed in [5]. Current approaches work for single images because they generally originate from the computer vision community.

The internship will start the evaluation of the state-of-the-art and to implement and extend approaches already developed in ICube [5,6].
Current work on domain adaptation (DA) for time-series uses either weak supervision [1] or attention-based mechanisms [2,3] for classification or focus on the related problem of time- series forecasting [4]. However, none of these approaches tackle the problem of learning DIRs that can be applied to several geographical locations simultaneously.

The work has two benefits: on the one hand, to reduce the burden of ground truth collection when sensors of different characteristics are used; and on the other to exploit the information contained in each data modality to learn representations that are more robust and general, i.e. to detect crops, land cover evolution, etc in different countries that exhibit different characteristics.

Your contributions will be part of the global work of the SDC researchers and will be validated through the partnership with CNES and potential collaboration with Tour du Valat. SDC’s aim is to propose and implement new generic methods and tools to exploit large sets of reference data from one domain/modality (sufficient to train an accurate detector) to train a multi- modal/domain detector that can be applied to imagery taken from another sensor for which there exists no reference data.

As such, the work tackles key problems in many machine learning & computer vision applications.

Profil du candidat :
• Experience with the Python (numpy, keras, tensorflow, etc.)
• Interest/experience in deep learning
• Knowledge of machine learning workflows and techniques (e.g. best practices around
training data management, understand basics of numerical optimisation)
• Familiarity with Linux environments
• Have excellent communication skills and a strong team player
• Good knowledge of English (French is not mandatory)

Formation et compétences requises :
2nd year of a Master’s in Computer Science degree or similar

Adresse d’emploi :
ICube UMR 7357 – Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie
300 bd Sébastien Brant – CS 10413 – F-67412 Illkirch Cedex

ORASIS 2023: journées francophones des jeunes chercheurs en vision par ordinateur

Date : 2023-05-22 => 2023-05-26
Lieu : Carqueiranne dans le VAR (région Provence-Alpes-Côte d’Azur).

La 19ième édition du colloque d’ORASIS, journées francophones des jeunes chercheurs en vision par ordinateur, se déroulera du 22 au 26 mai 2023 à Carqueiranne (Var, PACA). Elle sera organisée par l’équipe Signal et Image du Laboratoire d’Informatique et Systèmes UMR7020, au centre vacanciel Miléade à Carqueiranne. Ce colloque vise à réunir des jeunes chercheurs francophones (doctorants et jeunes docteurs) issus de la communauté de la vision par ordinateur ou de domaines connexes, avec l’ambition de favoriser, dans une ambiance conviviale, les échanges entre les participants, notamment entre les jeunes chercheurs et chercheurs expérimentés dans le domaine. Les journées seront rythmées par des sessions plénières ainsi que des sessions posters. Plusieurs sessions de conférenciers invités complètent le déroulement de ces journées.

La date limite de soumission des communications est le 15 février 2023. Vous pouvez soumettre soit des articles longs (6 à 8 pages) ou des articles courts présentant des résultats préliminaires.

Lien direct

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Interdisciplinary Seminar Algorithms and Society (ISAS)

Date : 2022-11-01 => 2022-11-16
Lieu : Université Paris Dauphine, Salle A711, 15h30-17h00

Thierry KIRAT (IRISSO, Dauphine-PSL), Olivia TAMBOU (CR2D, Dauphine-PSL), Virginie DO & Alexis TSOUKIAS (LAMSADE, Dauphine-PSL): Fairness and Explainability in Automatic Decision-Making Systems. A challenge for computer science and law (Room A 711).

Preprint downloadable at: https://arxiv.org/abs/2206.03226

The Interdisciplinary Seminar ‘Algorithms and Society’ (ISAS) focuses on the societal, legal, political and economic issues related to the development of algorithmic decisions. It aims at confronting the perspectives brought by the different specialists, by emphasizing the definitions of the key concepts and by supporting the interdisciplinary exchanges between social sciences, data science and artificial intelligence specialists.

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Multiscale non-linear deep learning strategies to enhance ocean surface dynamics description

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

Laboratoire/Entreprise : IMT Atlantique
Durée : 2 years
Contact : carlos.granero-belinchon@imt-atlantique.fr
Date limite de publication : 2023-03-01

Contexte :
The multiscale and non-linear nature of ocean surface dynamics plays a fundamental role in biogeochemical, ecological and climatic processes and consequently its characterization is a main topic in the current oceanographic research. Today the ocean dynamics can be studied through a large variety of remote sensing images of the ocean surface (Yahia et al. 2010, Renosh et al. 2015, Qiu et al. 2020) as well as from numerical simulations (Lellouche et al. 2021).

Thus, this project aims to reconstruct the unknown states of the ocean surface from physical knowledge of the system and available data that can be spatially distant, prior in time, at coarser resolution etc. We can then envisage physics-informed super-resolution, data generation and forecasting (Fablet et al. 2021) among other applications.

Sujet :
The main methodological objective is the formulation of multiscale DL models able to extract non-linear couplings. Moreover, we want this models to 1) be based on the physics of the system, and so to have a physics guided learning, and 2) to be interpretable from a physics point of view. With this purpose both the loss function and the model architectures will be adapted.

In order for our model to be a emulator of the state of the ocean, and then to take into account its turbulent nature, a stochastic component will be included and the incertitudes of the reconstructed states quantified.

Finally, numerical simulations of the ocean are available to validate our DL model before application on real remote sensing images.

Profil du candidat :
Candidate will have previous experience in Deep Learning/Machine learning , fluid physics and/or oceanography and would have shown strong interest on these topics during her/his PhD or previous postdocs. Good skills in python, pytorch, pytorch lightning are also required, as well as a background in teamwork. Previous experience in a multidisciplinary research team will also be considered as positive. The candidate must have passed at least 18 months in a non-French laboratory between May 1, 2019 and the start of the project.

Formation et compétences requises :
Candidates are required to have a PhD in Deep Learning/Machine learning with strong experience in Neural Networks.

Adresse d’emploi :
The Postdoc will work in collaboration with Carlos Granero-Belinchon and Ronan Fablet from IMT Atlantique, Simon van Gennip from Mercator Ocean International, and Bertrand Chapron from Ifremer. Thus, the research team is composed by physicist, oceanographers and artificial intelligence researchers from different laboratories, leading to a multidisciplinary project. Moreover, the postdoc will develop within the OSE research team at IMT (https://cia-oceanix.github.io/) which is a dynamic research group on image processing and artificial intelligence for Oceanography and Climate. The postdoc will also be part of the new Inria team Odissey (https://team.inria.fr/odyssey/).

The post-doctoral position is a two-year full-time appointment starting during 2023. Gross salary will depend on the experience of the candidate, up to approx. 55,000 €/year (net salary: up to approx. 30,000 €/year). The candidate will also benefit from French social insurance, and will have up to 45 days of annual leave. The candidate will be able to benefit up to 90 days of remote working per year.

The candidate will be based at the IMT Atlantique Campus (Brest) in a dynamic and stimulating working environment at five minutes walking from the beach.

Within the framework of the ANR JCJC project SCALES the postdoc will have funding for participation in conferences, publication fees and visits to external laboratories. Moreover, within the framework of the ANR Chair OCEANIX the postdoc will have access to compute servers : Datarmor and servers from OSE at IMT Atlantique.

Teaching activities at IMT Atlantique will also be proposed to the postdoc, mainly in signal processing, computer vision and artificial intelligence. These actvities, which imply an additional salary, will not be mandatory.

Motivated candidates should send a CV and a motivation letter to: carlos.granero-belinchon@imt-atlantique.fr.

Document attaché : 202211141201_Postdoc_ANR-SAD_v1.pdf

Réseaux de neurones à convolution informés par la physique : application à la convection turbulente

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

Laboratoire/Entreprise : LISN
Durée : 5 à 6 mois
Contact : anne.sergent@lisn.fr
Date limite de publication : 2022-12-31

Contexte :
La convection de Rayleigh-Bénard s’établit dans une cavité sous l’effet d’une différence de température imposée aux parois horizontales, la paroi du bas étant chauffée. L’écoulement résultant est caractérisé par la superposition de panaches à petite échelle, vecteurs de la chaleur, et d’un écoulement turbulent remplissant la cavité. Depuis de nombreuses années, nous simulons par simulation numérique directe (DNS) ce phénomène physique. Le passage à des simulations massivement parallèles nous permet maintenant de modéliser des jumeaux numériques des expérimentations. Cependant, ces calculs sont très lourds et même si la description spatio-temporelle de l’écoulement peut être très fine, il est difficile d’approcher statistiquement toutes les échelles de l’écoulement, de stocker l’intégralité des champs calculés, ou de rejouer facilement les séquences. C’est pourquoi nous cherchons à construire des modèles réduits de ces écoule-
ments, notamment par apprentissage automatique [LAS+22].

Sujet :
Nous cherchons ici à tirer partie des capacités d’apprentissage automa-
tique des réseaux de neurones pour réduire la complexité des données à sauvegarder, inférer des quantités cachées ou identifier des zones d’intérêt (par ex. [Cai+2021, FPSS19]). En particulier, on s’intéresse aux images d’ombroscopie, facilement obtenues expérimentalement, mais aussi numériquement, et qui contiennent une information 3D. A partir de réseaux à convolution, on utilisera des auto-encodeurs destinés à inférer les champs 2D/3D de température ou de vitesse. Une attention particulière sera portée sur la construction de la base de données d’entrée, de façon à assurer la robustesse du réseau. La base de données DNS est déjà existante [Bel+2021]. Les développements seront réalisés sous TensorFlow sur une carte du cluster GPU du cluster du laboratoire.

Profil du candidat :
Le candidat aura des connaissances dans un des thèmes suivants : Sciences des données, apprentissage automatique, statistiques/probabilités, mécanique des fluides.

Possibilité de continuer en thèse (financement ANR)

Formation et compétences requises :
Master de 2e année

Adresse d’emploi :
LISN, Campus universitaire, bat. 507 rue du Belvédère, 91405 Orsay

Document attaché : 202211091635_stage_sergent_2023_CNN.pdf