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

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 :
Satellite radar interferometry, more commonly known as InSAR,
provides precise displacement measurements over vast land
areas. The availability of satellite constellations and frequent
revisit times make it a crucial source of information for
monitoring volcanic activity. Understanding and
modeling a volcanic eruption are critical steps in decision-
making when dealing with such geological phenomena. The
opening of a dyke (volcanic vein) or a fissure, as
well as its initial geometry, depends on several factors, including
the pressures exerted and the mechanical properties of the
ground.

Volcanic fissures do not have a simple, flat geometry; they
narrow and widen, flare, branch, and stratify. Furthermore,
their width and shape can also change during an eruption
depending on various geological configurations.
The identification of volcanic fissures is therefore particularly
important for accurate volcanic modeling. However, this task is
currently performed manually based on in-situ observations. However, with the continuous increase in the
amount of available SAR data, there is a growing need for
advanced methods to effectively automate this detection
process. Surface deformation detection in interferograms is a
well-studied topic in the literature, whereas fissure
detection has not received the same level of attention. The Piton
de la Fournaise on the island of Réunion is the subject of
extensive monitoring and has a database spanning 24 years. Preliminary results obtained by our team on
this volcano have demonstrated the feasibility of detecting
fissures in the interferograms. Using classical methods, we
successfully detected the presence or absence of a fissure within the interferograms from a dozen different satellites. However, the mere presence or absence of a fissure is far from sufficient for analyzing the geological mechanisms associated with the volcano, and further work is needed to obtain precise locations of these fissures.

Sujet :
The objective of this project is to detect and localize volcanic
fissures in satellite radar interferograms using artificial
intelligence techniques and skeleton-based geometry
recognition. Several types of satellites pass over the Piton de la
Fournaise enclosure, allowing for regular and
continuous observation. However, each sensor has its own
characteristics, including mandated revisit times, operational
costs (free or paid), as well as different observation angles and
pass directions. One of the initial hypotheses is that the
localization of fissures follows a logical pattern depending on
the type of InSAR source and the spatial area around the
eruptive cone. The second hypothesis explores the similarity
between the structure of volcanic fissures and that of skeletons,
like action recognition based on skeletal data extracted from
photographs. Action recognition from skeletons is a task that
involves recognizing human actions from a sequence of point
data on joints captured by specific sensors. In our project, the
approach is reversed: given the eruptive attributes and the
InSAR data, we aim to recognize the fissure and associate it with
a geometric shape, regardless of the type of satellite and its field
of view.

For more details, please see the attached file.

Profil du candidat :

Formation et compétences requises :
The candidate should have knowledge and skills in machine
learning and AI programming (Python). Experience in remote
sensing and volcanic geophysics would be highly valued,
particularly concerning the analysis of InSAR data.

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

Document attaché : 202412050746_Internship LISTIC 2025 – Fissures.pdf

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

Laboratoire/Entreprise : CIRAD Montpellier
Durée : 6 mois
Contact : romain.fernandez@cirad.fr
Date limite de publication : 2025-03-01

Contexte :
Le projet DeepAeroDynamics (DADY) vise à combiner l’imagerie drone multispectrale time-lapse et le deep learning pour faire face aux défis du changement climatique et de la sécurité alimentaire dans les pays du Sud. L’objectif est de développer un modèle fondation capable d’intégrer les données multispectrales, spatiales et temporelles observées par drone aérien dans des environnements complexes et hétérogènes du Sud dans le but d’anticiper et prédire le comportement de plantes cultivées en
agroécologie (Sahel, Madagascar, Guadeloupe).

Sujet :
Le stagiaire sera au coeur du développement d’une architecture deep learning permettant :
● D’analyser des séries temporelles multispectrales d’imagerie drone, et extraire automatiquement des représentations informatives de l’état des systèmes observés.
●D’analyser les dynamiques temporelles en utilisant des modèles de type Transformers pour capturer les évolutions des cultures décrites dans un espace latent.
●De maximiser l’utilisation des données par des techniques d’apprentissage semi-supervisées et des consignes prétextes pour maximiser la capacité d’apprentissage de l’architecture fondation.

Le développement des modèles s’appuiera sur des architectures CNN et Transformers. L’approche sera validée sur des jeux de données déjà acquis et stockés à proximité d’un supercalculateur. Les tests de niveau 1 s’effectueront sur une ferme GPU locale, et les modèles de niveau 2 seront testés sur les supercalculateurs Jean Zay et Adastra (20e mondial au TOP500). Les modèles seront documentés et diffusés
en open-source, accompagnés de scripts pour le fine-tuning.

Profil du candidat :
Capacité à travailler en équipe dans un environnement mêlant informatique, biologie et agroécologie.

Formation et compétences requises :
Étudiant·e en Master 2 ou école d’ingénieur avec spécialisation en deep learning. Travail avec Python, Pytorch/Tensorflow, Github, Intégration Continue. Expérience en traitement d’images.

Adresse d’emploi :
La rémunération selon barème légal des stages sera de 600€
mensuel, avec accès à la restauration collective le midi. Le stage aura lieu au Cirad de Montpellier, 389 Av.
Agropolis, 34980 Montferrier-sur-Lez.

Document attaché : 202412041713_Offre de stage M2 – 2025 – DADY.pdf

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

Laboratoire/Entreprise : EDF R&D
Durée : 6 mois
Contact : victor.charpenay@emse.fr
Date limite de publication : 2025-01-31

Contexte :
La R&D d’EDF (2000 chercheurs) a pour missions principales de contribuer à l’amélioration de la performance des unités opérationnelles du groupe EDF, d’identifier et de préparer les relais de croissance à moyen et long terme. Dans ce cadre, le département Services, Economie, Outils Innovants et IA (SEQUOIA) est un département pluridisciplinaire (sciences de l’ingénieur, sciences humaines et sociales) qui fournit un appui à l’élaboration et au portage des offres, des services et des outils de relation client aux directions opérationnelles du groupe EDF.

Au sein de ce département, ce stage sera rattaché au groupe « Statistiques et Outils d’Aide à la Décision » (SOAD) : cette équipe compte une vingtaine d’ingénieurs chercheurs spécialisés en IA et data science avec des compétences fortes autour du machine learning et du deep learning, du web sémantique, de l’IA symbolique et de l’IA générative (texte, voix, image, multimodalité…), en particulier du NLP (LLM, RAG, data mining,). Le stage portera sur l’interaction entre grands modèles de langage (LLM) et IA symbolique.

Sujet :
Les LLM sont multi-tâches. Ils peuvent aussi bien traduire un texte d’une langue à une autre que répondre à des questions de culture générale. Cependant, il est difficile de contraindre un LLM à n’effectuer qu’une seule tâche, comme répondre seulement par un nombre ou générer des données structurées selon un schéma prédéfini. Il est possible de valider a posteriori la réponse d’un LLM mais si elle s’avère syntaxiquement fausse, il n’existe pas d’approche standard pour corriger cette première réponse sans avoir à en générer une deuxième. L’objectif du stage sera d’explorer une approche neuro-symbolique pour guider la génération de LLM selon un langage contrôlé (comme un langage de requête ou un modèle de données), afin de garantir la conformité syntaxique et sémantique de chaque réponse.

Cette approche sera appliquée à la génération de graphes de connaissances à partir de documents textuels. Au sein du groupe SOAD, nous travaillons sur les possibilités d’intégration des graphes de connaissances pour améliorer la fiabilité et l’explicabilité des systèmes IA, un enjeu clé pour les applications critiques. Cependant la construction des graphes de connaissances reste une tâche coûteuse en termes de temps et de ressources, en particulier lorsqu’il s’agit d’extraire et de structurer ces connaissances à partir de documents textuels. Dans le groupe EDF, de nombreuses connaissances métiers proviennent de documents complexes, comme les descriptions d’infrastructures de production et leurs contraintes d’exploitation. Exploiter ces connaissances permettrait d’accélérer l’adoption de solutions de rupture tout en les fiabilisant et en valorisant l’expertise métier.

Profil du candidat :
• Excellent niveau français oral et écrit
• Curiosité scientifique et forte motivation pour l’innovation

Formation et compétences requises :
• Etudiant(e) en Master 2 ou équivalent école d’ingénieur, spécialité data science, IA ou équivalent
• Compétences solides en programmation, en particulier en Python.
• Connaissance des techniques de traitement du langage naturel (NLP) et des modèles d’IA générative (par exemple, GPT-4).
• Compétences en construction et manipulation de graphes de connaissances (RDF, Neo4j, graphDB, ontologie…) fortement souhaitées.

Adresse d’emploi :
EDF R&D Lab
Saclay (91120)

Document attaché : 202412041504_Offre_Stage_Knowledge_generation_2025.pdf

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

Laboratoire/Entreprise : IBISC, LISSI
Durée : 6 mois
Contact : aurelien.hazan@u-pec.fr
Date limite de publication : 2025-01-31

Contexte :
Le scanner de perfusion myocardique (ou scintigraphie de perfusion myocardique) est un examen d’imagerie de médecine nucléaire non-invasif qui utilise une petite quantité d’un traceur radioactif

L’acquisition se fait typiquement sur une durée de 20 à 40 minutes, synchronisée au rythme cardiaque permettant ainsi de reconstituer un cycle cardiaque sur une séquence 3D animée
Cependant, ces images scintigraphiques souffrent d’une mauvaise résolution spatiale (environ 1 cm3), et d’un mauvais rapport signal sur bruit.

La méthode la plus efficace utilisée actuellement pour traiter ces deux problèmes est d’augmenter les images de scintigraphie par une image 3D anatomique obtenue par tomographie à rayon X (CT) pour corriger l’atténuation des rayons gamma.

Sujet :
Méthode: Les GNN, sont une classe de modèles de deep learning spécialement conçue pour traiter des données représentées sous forme de graphes. Contrairement aux images classiques, qui sont souvent traitées en utilisant des CNN sur des grilles de pixels, les GNN permettent de capturer des relations complexes entre des éléments non structurés de manière régulière, ce qui peut être particulièrement utile pour les images médicales, la segmentation d’objets ou l’analyse de structures 3D [muller_survey_2024,han_vision_2022]

Un réseau de graphes permettra de recréer un cycle cardiaque complet à partir d’une seule image tomodensitométrique et d’un ECG. La reconstitution permettra de générer sur l’ensemble du cycle cardiaque une représentation de haute qualité de l’atténuation des tissus afin de recaler la correction d’atténuation sur l’acquisition par scintigraphie. Ceci permettrait ainsi d’éviter les artefacts observés.

Dans le but de valider notre approche sur une large base de données représentative des pratiques du service de médecine nucléaire, cette étude s’appuiera sur la base de donnée du CHSF.

Profil du candidat :
La personne recrutée devra justifier d’un diplôme d’ingénieur ou d’un Master, de solides connaissances en intelligence artificielle, par exemple en deep learning (DL), en réseaux de neurones profonds et en codage (Python, Cuda, C++). Des expériences de développement sur processeurs graphiques (GPU) seront très appréciées. Son anglais sera courant. Le candidat sélectionné aura la chance de travailler dans une équipe interdiciplinaire et avec un consortium de data scientists et de cliniciens du centre hospitalier sud-francilien (CHSF)

Formation et compétences requises :

Adresse d’emploi :
Lieux:
IBISC, EVRY.
LISSI, IUT Sénart-Fontainebleau, Lieusaint.

Contact: hichem.maaref@ibisc.univ-evry.fr, aurelien.hazan@u-pec.fr

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

Laboratoire/Entreprise : LISSI/CERTES
Durée : 6 mois
Contact : aurelien.hazan@u-pec.fr
Date limite de publication : 2025-01-10

Contexte :

Sujet :
Le CERTES utilise de nombreuses techniques d’apprentissage machine [Ark21] et dispose d’une plateforme technologique de micro-réseaux modulaires et multifonctionnels. Cette plateforme permet d’étudier différents scenarios d’agrégationde plusieurs sources énergétiques (éolien, solaire, stockage, réseau électrique, charges de consommation variable, …) avec la possibilité de générer différents types de défauts
mais aussi d’utiliser de contrôler certaines sources énergétiques pour fonctionner selon des profils imposés, en plus des sources soumises aux conditions climatiques réelles.

Le but de ce stage est d’évaluer l’intérêt de deux types de réseaux de neurones pour l’analyse des microréseaux électriques :

– Les Graph Neural Networks (GNN) sont spécifiquement adaptés aux données sous forme de graphe [Liao22], et sont donc particulièrement pertinents pour les réseaux électriques.

-Les PINN (Physics-Induced Neural Networks) imposent des contraintes
représentant des lois physiques lors de l’apprentissage afin de réduire la
dimension de l’espace latent des paramètres.

Le LISSI dispose d’une expertise dans l’analyse de données sur graphe et sur plusieurs types de réseaux de neurones profonds [Haz21, Aha24]. Les performances de ces réseaux de neurones seront testées avec plusieurs tâches d’intérêt pour le CERTES [Ark21, Tan24]:

-Prédiction de séries temporelles de charge électrique de micro-réseau avec un graph récurrent neural networks (GRNN), comparaison avec d’autres architectures de type LSTM.

-Prédiction de puissance générée par des panneaux photovoltaïques. Calcul approché de flux de puissance (power-flow) et analyse de scenario lors de l’adjonction d’une flotte de véhicules électriques à un petit réseau de distribution industriel.

Dans chaque cas, le stagiaire comparera les performances obtenues avec celles développées précédemment au CERTES, les performances state-of-the-art dans la littérature, et évaluera les avantages et inconvénients.

Références:

[Ark21] Arkhangelski, “Autoconsommation et optimisation de la gestion énergétique des bâtiments”, thèse, UPEC, 2021.

[Haz22] Hazan, “Production process networks: a trophic analysis”, Journal of Physics:Complexity, 4,1, 2022.

[Aha24] Ahamada, Hazan, Vigneron, “Deep Learning and Tensor Decomposition”, in preparation.

[Tan24] Simarro-García, Villena-Ruiz, Tankari, Honrubia-Escribano, Gómez-Lázaro, Lefebvre, “Fast and Extreme Fast Charging Integration for Electric Vehicles: Impact on an Industrial Distribution Network”, International journal of engineering science and application,Vol.8, No.2, 2024.

[Lia22] Liao et al. “A Review of Graph Neural Networks and Their Applications in Power Systems”, Journal of modern power systems and clean energy, vol. 10, no. 2, 2022.

[Kho21] Khodayar et al. “Deep Learning in Power Systems Research: A Review”, Csee journal of power and energy systems, vol. 7, no. 2, march 2021.

Profil du candidat :
Etudiant.e en M2 sciences de l’ingénieur, génie électrique, énergie, machine learning, deep learning.

Compétences (modélisation systémique (Matlab, PSIM, …), calcul de power flow, ML,programmation Python.

Formation et compétences requises :

Adresse d’emploi :
LISSI: site de Sénart, IUT de Sénart-Fontainebleau, 36-37 rue Georges Charpak,77 567 Lieusaint

CERTES: site de Créteil: Bâtiment L5, 61 Avenue du Général De Gaulle, 94000 CRETEIL

Document attaché : 202412030849_2024_sujet_M2_LISSI_CERTES_DEF.pdf