Offres de thèses
Jul 31 Fri 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : LIB (Laboratoire Informatique de Bourgogne)
Durée : 36 mois
Contact : ana-maria.roxin@ube.fr
Date limite de publication : 2026-07-31 Contexte :
Contexte général : Le sujet s’inscrit dans le cadre du projet IGNIS (Intelligent System for Gunshot Residue Classification), porté conjointement par le Laboratoire d’Informatique de Bourgogne (LIB), l’Institut de Mathématiques de Bourgogne (IMB) et le Service National de la Police Scientifique (SNPS). Le projet IGNIS vise le conception d’un système de classification automatique et explicable des résidus de tir observés par microscopie électronique à balayage couplée à la spectrométrie dispersive en énergie (MEB-EDX). L’environnement de recherche est interdisciplinaire, à l’interface entre intelligence artificielle, représentation des connaissances, apprentissage automatique, statistique, optimisation et criminalistique. Il bénéficie d’un accès à des données réelles issues des laboratoires du SNPS.
Contexte scientifique : Les résidus de tir sont des particules issues du tir d’une arme à feu, constituées de composants inorganiques et organiques provenant des munitions. Leur analyse par MEB-EDX est aujourd’hui considérée comme la technique de référence, car elle permet d’observer la morphologie des particules et d’estimer leur composition élémentaire, en s’appuyant notamment sur le cadre normatif ASTM E1588-20. Dans la pratique, la classification des particules de résidus de tir repose sur une première phase d’analyse automatique, suivie d’une validation manuelle par un expert du SNPS. Cette situation soulève plusieurs verrous scientifiques : (1) la formalisation de la connaissance experte mobilisée lors de la validation des particules ; (2) la robustesse des modèles d’apprentissage, fortement dépendante de la qualité, de la représentativité et de l’évolution des données, notamment avec l’émergence de nouvelles munitions et de compositions sans plomb ; (3) l’explicabilité, centrale dans un contexte judiciaire.
La thèse vise à dépasser ces limites en proposant une approche IA neuro-symbolique capable non seulement de classer les particules, mais aussi d’expliquer ses décisions dans un langage compatible avec l’expertise métier. L’originalité scientifique du projet réside dans l’intégration d’une représentation formelle des connaissances criminalistiques au sein d’une architecture neuro-symbolique permettant de combiner l’apprentissage à partir des données et le raisonnement explicite fondé sur des connaissances expertes. Sujet :
La thèse s’attachera à répondre à la question suivante : comment concevoir un système d’intelligence artificielle neuro-symbolique capable de classifier automatiquement des particules de résidus de tir de manière fiable, adaptable et explicable, tout en respectant les contraintes scientifiques, opérationnelles et judiciaires propres à la criminalistique ? Cette problématique générale se décline en plusieurs questions de recherche : – Comment représenter formellement les connaissances expertes relatives aux résidus de tir, en intégrant normes ASTM, critères morphologiques, compositions élémentaires et règles métier, au sein d’une base de connaissances exploitable par une machine ?
– Comment articuler cette représentation symbolique avec des modèles d’apprentissage pour affiner les règles de classification existantes, d’apprendre de nouvelles classes ou sous-classes de particules et de maintenir la robustesse du système?
– Comment produire des explications compréhensibles et acceptables par les experts du SNPS, en combinant raisonnement symbolique, méthodes d’explication post-hoc et analyse de sensibilité ?
– Comment évaluer un tel système non seulement en termes de précision algorithmique, mais aussi en termes d’utilité métier, en sécurité d’intégration, en reproductibilité et en potentiel de transfert vers d’autres laboratoires ?
Les travaux envisagés s’articulent autour de cinq volets : (1) la conception d’une ontologie formalisant les connaissances relatives aux particles, leurs compositions élémentaires, les classes ASTM et les règles d’interprétation des experts SNPS ; (2) nettoyage, structuration et intégration des données fournies par le SNPS dans la base de connaissances dédiée aux résidus de tir ; (3) la conception d’un moteur de règles et d’un classificateur hybride capables de combiner contraintes symboliques, apprentissage automatique et adaptation à l’évolution des compositions de munitions ; (4) l’intégration d’un module d’explicabilité, fondé sur des approches comme SHAP ou LIME ; (5) la validation expérimentale sur les jeux de données fournis par le SNPS, avec évaluation de la robustesse, de la précision, et du gain métier.
La thèse s’inscrit dans une dynamique de transfert, les résultats de classification étant destinés à être intégrés dans le processus du SNPS. Une attention particulière sera portée à la sécurité des données, à la reproductibilité et à l’appropriation par les utilisateurs finaux. Le projet vise explicitement un système plus fiable, plus rapide et plus transparent, afin de réduire le temps d’expertise et d’augmenter la capacité de traitement des laboratoires du SNPS. Une part importante du travail doctoral consistera donc à faire dialoguer les exigences de la recherche en IA avec les contraintes de la criminalistique. Profil du candidat :
Les candidats doivent être titulaires d’un Master 2 ou d’un diplôme d’ingénieur en informatique, intelligence artificielle, science des données, ou mathématiques appliquées. Les candidats doivent avoir un bon niveau en français et en anglais (niveau min. C1).
Les candidats doivent avoir un intérêt pour la recherche, un solide bagage scientifique, et des compétences en programmation. Des compétences en apprentissage automatique, représentation de connaissances et analyse de données massives sont attendues. Des compétences en modélisation statistique, optimisation ou raisonnement symbolique seront un plus.
Le profil recherché suppose également de bonnes capacités rédactionnelles et de communication avec des experts métier, un goût pour le travail interdisciplinaire et une aptitude à évoluer dans un environnement partenarial avec des contraintes de confidentialité et de sécurité. Une sensibilité aux enjeux de la criminalistique ou des domaines à forte exigence de traçabilité serait particulièrement appréciée. Du fait des contraintes liées au contexte applicatif sensible, la candidature retenue sera validée après enquête de moralité. Formation et compétences requises : Adresse d’emploi :
9 avenue Alain Savary, 21000 Dijon, France Document attaché : 202606300958_IGNIS_PhDproposal_LIB-2026.pdf Aug 2 Sun 2026 Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : IRIT Site de Castres (81)
Durée : 36
Contact : Max.Chevalier@irit.fr
Date limite de publication : 2026-08-02 Contexte :
LE DISPOSITIF CIFRE
Le Ministère de l’Enseignement Supérieur, de la Recherche et de l’Innovation (MESRI) a confié à l’ANRT la mise en œuvre du dispositif CIFRE. Son objectif est de favoriser le développement de la recherche partenariale publique-privée et de placer les doctorants dans des conditions d’emploi.
Présentation générale :
Le doctorat sera mené dans le cadre d’une convention CIFRE, entérinée par un contrat au sein de l’entreprise My Audit Corner [MAC] (https://myauditcorner.com) pour une durée de 3 ans. Le salaire brut annuel sera au minimum de 30 000 € par an en 2026. Le ou la doctorant.e effectuera les travaux de thèse au sein du laboratoire d’accueil, l’IRIT (Institut de Recherche en Informatique de Toulouse) sur le site de Castres (81) et sera intégré.e à l’équipe de l’entreprise. Sujet :
La vérification de la conformité est une tâche primordiale et participe à l’amélioration de la performance mais également à la sécurité d’objets (bien, équipement ou organisation…). Elle vise en effet à évaluer si un objet respecte les exigences règlementaires. Ces exigences proviennent de référentiels qui peuvent prendre la forme de lois, de règlements, de normes (définis au niveau national, européen…), de politiques internes ou encore de normes liées à un secteur d’activités.
Les domaines dans lesquels cette conformité est applicable sont vastes. Cela va des jouets, aux ascenseurs, aux dispositifs de sécurité et de défense, aux dispositifs de santé… Pour chacun des types d’objets, un ou plusieurs référentiels sont applicables.
La vérification de conformité repose, au-delà de l’objet pour lequel on souhaite vérifier la conformité, sur des documents tels que la déclaration de conformité associée à des documents tels qu’une notice ou la documentation technique de l’objet en question.
La vérification de conformité sur la base de ces documents est une tâche lourde et chronophage qui nécessite expertise et temps disponible. Cela amène souvent les entreprises à faire appel à organismes experts tels que Apave, Bureau Veritas…
L’objectif de cette thèse est d’aider les experts dans leur tâche de vérification de la conformité. La vérification des dispositifs médicaux sera une application privilégiée des travaux de thèse. Profil du candidat :
Missions principales :
• Conduire une recherche axée vers la définition et la mise en œuvre d’une méthodologie générique basée Agents (type LLM ou cognitifs) réalisant la vérification de conformité de documents, de manière autonome, au regard d’un ou de plusieurs référentiels. Cette méthodologie devra garantir une décision de conformité traçable, explicable et auditable de bout en bout, avec un niveau d’erreur maîtrisé.
• Intégrer une interaction humain-système bi-directionnelle : le système pourra si nécessaire solliciter l’humain (demande de clarification, levée d’ambiguïté, arbitrage) et l’humain pourra solliciter le système (interrogation d’une décision, demande de justification, ajustement, obtenir les explications sur les décisions….)
• Prendre en compte l’évolution temporelle des référentiels ou liées à un objet sur une décision de conformité. Il s’agira ainsi de répondre notamment aux questions :
– quelles différences une modification dans un référentiel implique sur une décision de conformité antérieure (établie sur une version précédente du référentiel) ?
– quels impacts engendrerait une modification sur l’objet évalué (ex : changement d’un matériau) sur une décision de conformité existante ?
• Considérer plus globalement les différents rôles métier reconnus dans l’industrie réglementée (auditeur, responsable affaires réglementaires, expert qualité…) et impliqués dans l’activité de vérification de conformité. L’objectif est, au-delà de l’activité concrète de vérification, d’intégrer dans l’approche des agents « personnifiés » (ou persona) afin d’obtenir une interaction entre ces agents au niveau processus plutôt qu’uniquement tâche de vérification de conformité.
• Rédiger des publications scientifiques et une thèse
Profil recherché :
• Maîtriser les grandes dimensions de l’informatique et des mathématiques en lien avec le sujet de thèse (apprentissage automatique/IA, développement logiciel, gestion documentaire, formalisation de connaissances…)
• Être doté d’une forte capacité de créativité et d’innovation, capable d’identifier des solutions originales et de faire évoluer les pratiques existantes ;
• Faire preuve de proactivité et de rigueur ;
• Savoir piloter des projets complexes et maitriser la gestion de projets ;
• Avoir une grande aisance communicationnelle et rédactionnelle (en Français et Anglais) ;
• Avoir une grande disponibilité et être mobile (déplacements à prévoir entre les 2 sites de la thèse).
• Avoir une appétence pour les domaines régulés (santé en particulier, ouverture aéronautique / construction valorisée) Formation et compétences requises :
CONVENTION TRI-PARTITE
Dès lors que le.la candidat.e sera sélectionné.e, le dossier final sera complété et déposé auprès de l’ANRT pour instruction. Le démarrage de la thèse est conditionné à la réponse positive de l’ANRT.
Informations générales :
• Directeur de recherche (IRIT) : Pr. Max CHEVALIER (https://www.irit.fr/~Max.Chevalier/), Professeur à l’Université de Toulouse, IUT, Site de Castres (81) – Equipe SIG @IRIT.
• Encadrant dans l’entreprise My Audit Corner : Charles RISLER, Chief AI Officer, MyAuditCorner
• Site du laboratoire où se déroulera la thèse : IRIT/IUT, 5 allée du Martinet, 81100 CASTRES
• Lieu de l’entreprise où se déroulera la thèse : My Audit Corner, 20 Chemin de la Cepière, 31100 Toulouse
• Il est important que le.la candidat.e intègre, dès sa candidature, que les travaux de thèse se dérouleront, en « alternance », aussi bien sur le site du Castres dans le Tarn que sur le site de Toulouse où se situe la société My Audit Corner.
• Démarrage de la thèse prévu dès le retour de l’ANRT : dernier trimestre 2026
Conditions d’éligibilité
Le.la candidat.e devra répondre aux critères suivants :
• Titulaire d’un diplôme de niveau Master ou de grade équivalent. Le dispositif CIFRE est ouvert à toute nationalité, sans condition d’âge. Il s’agit pour le.la candidat.e d’une première expérience professionnelle de recherche. Le.la candidat.e ne peut pas être ou avoir été embauché par ladite structure, ses filiales ou succursales sur une durée cumulée de plus de 9 mois à la date de réception par l’ANRT du dossier de demande de CIFRE. De la même façon, le.la candidat.e ne peut pas être inscrit.e en thèse depuis plus de 9 mois à la date de réception par l’ANRT du dossier de demande de CIFRE.
• Des contributions scientifiques (publications, participation à des colloques ou symposiums) du ou de la candidate seront appréciées.
• Le.la candidat.e ne doit pas être titulaire d’un doctorat, ni avoir débuté une autre thèse.
• Pas de condition de nationalité ni d’âge, mais les ressortissants étrangers devront être formellement autorisés à travailler à temps plein en France. Adresse d’emploi :
• Site du laboratoire où se déroulera la thèse : IRIT/IUT, 5 allée du Martinet, 81100 CASTRES • Lieu de l’entreprise où se déroulera la thèse : My Audit Corner, 20 Chemin de la Cepière, 31100 Toulouse Document attaché : 202607080919_appelCandidature-IRIT-MAC.docx Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : IRIT Site de Castres (81)
Durée : 36
Contact : Max.Chevalier@irit.fr
Date limite de publication : 2026-08-02 Contexte :
Financement de thèse sur 36 mois :
> Programme Emergence 2026 Région Occitanie
> IUT Toulouse-Auch-Castres, Université de Toulouse
> Syndicat Mixte pour l’enseignement du Sud du Tarn, Communauté d’agglomération de Castres-Mazamet Sujet :
Contexte :
Pour l’OMS, le vieillissement en bonne santé est un enjeu critique de santé publique pour la décennie actuelle notamment du fait de l’augmentation importante de la population mondiale de personnes âgées. En effet, il souligne que le nombre de personnes âgées de 60 ans ou plus aura augmenté de 34% en 2030 voire doublé à l’horizon 2050. Vieillir en bonne santé devient un enjeu critique de santé publique.
Dans ce cadre, comprendre les mécanismes biologiques à l’origine des processus de cicatrisation et de régénération des cellules permettrait d’ouvrir la voie à la compréhension d’une partie du processus de vieillissement.
Avec l’âge le déclin des fonctions tissulaires diminuent les capacités régénératives des tissus et augmentent le risque de développement de maladies chroniques. Au sein des tissus, les CSMs sont des actrices clefs du maintien de la structure et fonction tissulaire. Nous faisons l’hypothèse que les altérations des fonctions tissulaires et la perte des capacités de régénération (cicatrisation versus régénération) seraient liées à un changement qualitatif et quantitatif de l’hétérogénéité des CSMs. Ce changement émerge dans les trajectoires cellulaires qui désignent l’évolution de l’état biologique des cellules au cours du temps. Dans ce cadre, un défi important pour les biologistes est l’identification et la compréhension des leviers d’actions possibles pour intercepter une trajectoire pro-régénérante des CSMs plutôt que cicatrisante, en agissant sur la régulation des gènes.
La thèse pluri-disciplinaire que nous proposons s’inscrit dans ce cadre. Elle vise à développer un modèle informatique interprétable des trajectoires cellulaires via des méthodes d’apprentissage automatique dirigées par les données. Ce modèle, associé aux connaissances en biologie notamment formalisées (e.g. ontologies), vise à permettre à l’expert d’explorer de probables chemins causaux qu’il pourrait traduire en thérapeutique.
Des données fournies par le laboratoire RESTORE ou identifiées dans l’état de l’art permettront de mettre en œuvre et valider ce modèle. Missions principales :
• Conduire une recherche axée vers la définition et le développement d’une méthodologie originale permettant d’identifier, dans les données, de probables chemins causaux amenant à un point de bascule dans les trajectoires cellulaires entre cicatrisation et régénération. Ces points de bascules devront être explicables. L’explicabilité visée pourra mêler trois dimensions complémentaires : explication statistique (ex : méthodes post-hoc attributives), causale et sémantique (ex : ontologie/taxonomie).
• Rédiger des publications scientifiques et une thèse Profil du candidat :
Profil recherché :
• Intérêt marqué pour le développement de connaissances à l’interface de l’informatique et du domaine biomédical, avec un goût pour la collaboration interdisciplinaire ;
• Maîtriser les grandes dimensions de l’informatique et des mathématiques en lien avec le sujet de thèse (apprentissage automatique/IA, développement logiciel, formalisation de connaissances…) ;
• Être doté d’une forte capacité de créativité et d’innovation, capable d’identifier des solutions originales et de faire évoluer les pratiques existantes ;
• Faire preuve de proactivité et de rigueur ;
• Savoir piloter des projets complexes et maîtriser la gestion de projets ;
• Avoir une grande aisance communicationnelle et rédactionnelle (en Français et Anglais) ;
• Avoir une grande disponibilité et être mobile (déplacements et période d’activité à prévoir au sein des deux laboratoires d’accueil). Formation et compétences requises :
Le.la candidat.e devra répondre aux critères suivants :
• Titulaire d’un diplôme de niveau Master ou de grade équivalent.
• Des contributions scientifiques (publications, participation à des colloques ou symposiums) du ou de la candidate seront appréciées.
• Le.la candidat.e ne doit pas être titulaire d’un doctorat, avoir débuté une autre thèse.
• Pas de condition de nationalité, mais les ressortissants étrangers devront être formellement autorisés à travailler à temps plein en France. Dossier de candidature
Le dossier complet, sous forme d’un document PDF unique, sera envoyé au plus tôt par email conjointement à Max.Chevalier@irit.fr et marielle.ousset@inserm.fr.
Il comprendra OBLIGATOIREMENT les pièce suivantes :
• un CV détaillé et à jour incluant les éventuelles publications scientifiques en rapport avec le projet de thèse ;
• le parcours scolaire et les expériences professionnelles antérieures ;
• une lettre de motivation pour le sujet de thèse proposé. Cette lettre pourra permettre aux candidats qui le souhaitent de rendre compte des éventuelles idées que la lecture du sujet suscite chez eux ;
• les éléments que le.la candidat.e considère comme prouvant les compétences requises ainsi que les connaissances nécessaires au bon déroulement de la thèse (git, résultats académiques….). PROCÉDURE DE SÉLECTION
1. Des entretiens organisés au fil de l’eau en visioconférence pourront être organisés distinctement par l’IRIT et RESTORE afin de filtrer les candidatures.
2. Une rencontre (équipes de recherche, candidat.e) pourra également être mise en place.
3. IMPORTANT : du fait que L’IRIT est soumis à la réglementation concernant la protection du patrimoine scientifique et qu’il est une Zone à Régime Restrictif (ZRR), le.la candidat.e devra avoir reçu l’approbation du FSD (Fonctionnaire Sécurité Défense) pour pouvoir débuter sa thèse. Les délais étant variables, la demande ZRR sera déposée dès sélection du ou de la candidate. Enfin, une acceptation formelle ou de principe de l’école doctorale MITT (ED 475) sera nécessaire au bon démarrage de la thèse. Adresse d’emploi :
Même s’il relève du domaine de l’informatique, la recherche sera par nature pluri-disciplinaire. En effet, le ou la doctorant.e effectuera ses travaux de thèse conjointement au sein du laboratoire IRIT (Institut de Recherche en Informatique de Toulouse) sur le site de Castres (81) et au sein du laboratoire Geroscience and rejuvenation research center (RESTORE INSERM-UMR1301 / CNRS-5070) qui est un laboratoire de recherche dédiée à la recherche sur le maintien des fonctionnalités biologiques sur Toulouse (Site Oncopole/Langlade et site Campus Université de Toulouse).
Site du laboratoire IRIT où se déroulera la thèse : IRIT/IUT, 5 allée du Martinet, 81100 CASTRES Site du laboratoire RESTORE où se déroulera la thèse : Site Oncopole/Langlade (4bis Av. Hubert Curien 31100 Toulouse), Site Faculté de Santé – UFR Odontologie (3, chemin des Maraîchers 31062 Cedex 9 Toulouse) Document attaché : 202607080914_appelRestore.pdf Sep 1 Tue 2026 Offre en lien avec l’Action/le Réseau : – — –/Doctorants Laboratoire/Entreprise : LITIS-INSA Rouen
Durée : 3 ans
Contact : aomar.osmani@insa-rouen.fr
Date limite de publication : 2026-09-01 Contexte :
Thèse financée dans le cadre des allocations de recherche état/région. Sujet :
Meta-Learning and Artificial General Intelligence for a
Computational Theory of Assistance to Human Learning Profil du candidat :
Nous recherchons un(e) candidat(e) issu(e) d’un M2 ou diplôme d’ingénieur en informatique, data science, IA ou sciences cognitives computationnelles, en mathématiques avec une forte appétence pour
la recherche. Compétences souhaitées :
— bases solides en ML/DL ;
— intérêt pour les sciences cognitives, les sciences de l’éducation, ou l’optimisation ;
— goût pour la modélisation mathématique et pour la modélisation et la programmation ; — des connaissances en méta-apprentissage, RL, modèles séquentiels (RNN/Transformers) consti-
tuent un plus. Environnement :
— Projet pluridisciplinaire (IA, sciences cognitives, ingénierie pédagogique) à fort impact sociétal ;
— ressources de calcul et données pour des expérimentations à grande échelle ;
— valorisation attendue dans des conférences internationales (NeurIPS, ICLR, AIED, etc.). Formation et compétences requises :
ML/DL, programmation (Python), expérience PyTorch/TensorFlow appréciée ; intérêt pour éducation/cognition ; méta-learning/RL/modèles séquentiels Adresse d’emploi :
INSA de Rouen
685 Avenue de l’Université 76800 Saint-Etienne-du-Rouvray Document attaché : 202602171414_sujetAnglais(1).pdf Dec 30 Wed 2026 Offre en lien avec l’Action/le Réseau : SaD-2HN/– — – Laboratoire/Entreprise : Laboratoire d’Informatique de Grenoble
Durée : 3
Contact : camille.bernard@univ-grenoble-alpes.fr
Date limite de publication : 2026-12-30 Contexte :
Human societies rely on geographic information to describe physical (e.g., schools, roads, cycle lanes) or virtual (e.g., administrative zoning) features that constitute their territories. In Geographic Information Science, the representation of such geographic entities is well established. However, representing and contextualizing the changes these entities undergo over time—driven, for example, by urban policies promoting low-carbon mobility—remains a major challenge.
These complex phenomena, also referred to as territorial transformations or spatial-temporal changes, involve one or several geographic entities that evolve at a given time or over a defined period under various pressures. Today, documenting these transformations in a machine-readable and computationally exploitable form is still largely absent.
In urban analysis, geographic databases describe—through standards such as CityGML or other formats—the built environment, transport networks, and urban infrastructure. Some open and collaborative databases such as OpenStreetMap (OSM) are often more up to date than official datasets due to continuous user contributions, thereby indirectly capturing urban evolution. Another more marginal initiative, OpenHistoricalMap (OHM), uses the OSM framework to build an open, editable historical map. However, none of these databases or standards explicitly model or document the changes undergone by geographic entities (e.g., transport networks, streets, cycle lanes, etc.).
Although some datasets, such as the IGN BD TOPO, provide differences between successive versions, these differences do not qualify or semantically describe the nature of the changes. Consequently, monitoring urban evolution remains difficult due to the lack of standards for representing territorial transformations. Yet, adopting a shared vocabulary for describing urban changes would make it possible to quantify them, define indicators of urban evolution, and facilitate comparisons between cities with similar or divergent trajectories.
In response to the lack of structured data describing territorial changes, and the absence of standardized tools for representing such transformations in urban planning and land-use monitoring, the objective of this PhD is to automate the detection and description of territorial changes, and to build temporal sequences of these changes in order to characterize territorial trajectories. These change catalogues will support interoperability between systems and provide a foundation for broader community adoption. They will take the form of Spatiotemporal Knowledge Graphs (ST-KGs), designed according to FAIR principles (Findable, Accessible, Interoperable, Reusable), ensuring accessibility and reuse, notably for digital twins of territories and predictive AI systems aimed at forecasting urban evolution based on historical data. Sujet :
Geographic databases such as OpenStreetMap (OSM) and the IGN BD TOPO are continuously evolving to reflect territorial transformations. Identifying, describing, and characterizing the changes occurring in these geospatial databases over time is a major challenge for understanding and analyzing the evolution of territories.
This PhD is part of the ANR GEvoK project (Geographic Entities Evolution in Knowledge Graphs), which aims at the automatic detection and semantic annotation of geographic changes from heterogeneous data sources, including satellite imagery and collaborative datasets such as OpenStreetMap.
The proposed approach combines artificial intelligence techniques for the automatic detection of temporal changes, Semantic Web technologies for representing and enriching the knowledge derived from these detections, and large language models (LLMs) for querying the resulting knowledge bases and generating natural language narratives describing observed changes. Profil du candidat :
The candidate must hold a Master’s degree in Computer Science, Geomatics, Data Science, or Artificial Intelligence.
• Formation et compétences requises : • Strong knowledge of Python and machine learning (classification, anomaly detection, clustering);
• Knowledge of Semantic Web technologies and knowledge representation (RDF, OWL, SPARQL);
• Basic knowledge of geographic data processing; familiarity with QGIS and spatial data formats (GeoJSON, shapefile, etc.);
• Autonomy, rigor, analytical skills, and interest in hybrid AI / geospatial approaches.
Required level of French: Upper intermediate (B2)
Required level of English: Upper intermediate (B2) Adresse d’emploi :
LIG, Bâtiment IMAG, 700 Av. Centrale, 38401 Saint-Martin-d’Hères Document attaché : 202607031244_offre-these-gevok-26-en.pdf Offre en lien avec l’Action/le Réseau : – — –/– — – Laboratoire/Entreprise : ISIR – Institut des Systèmes Intelligents et de Ro
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2026-12-30 Contexte :
AI4Science is an emerging research field that investigates the potential of AI methods to advance scientific discovery, particularly through the modeling of complex natural phenomena. This fast-growing area holds the promise of transforming how research is conducted across a broad range of scientific domains. One especially promising application is in modeling complex dynamical systems that arise in fields such as climate science, earth science, biology, and fluid dynamics. A diversity of approaches is currently being developed, but this remains an emerging field with numerous open research challenges in both machine learning and domain-specific modeling. This PhD project aims to investigate the next generation of AI models for physical dynamics. The objective is to develop generative world models that learn structured representations of physical systems and can efficiently model, predict, and reason about their evolution. The research will focus on applications such as fluid mechanics and climate science while addressing fundamental questions at the intersection of machine learning and scientific computing. Sujet :
The main objective of this PhD is to develop generative world models for physical dynamics that combine scalability, uncertainty modeling, and scientific consistency. The research will explore several complementary directions: Learning transferable representations of physical dynamics, by developing latent representations that capture the underlying structure of physical systems and can generalize across multiple physical regimes and downstream tasks. Generative modeling of physical trajectories, using recent approaches such as diffusion models, flow matching, and stochastic interpolants to represent uncertainty, multimodality, and long-term evolution of complex dynamical systems. Physically consistent generative models, by integrating physical constraints and scientific priors into generative learning in order to produce solutions that remain both accurate and scientifically valid.
The exact research direction will be adapted to the candidate’s interests and background and may emphasize either methodological developments or applications to scientific domains such as fluid dynamics and climate modeling. Profil du candidat :
Computer science or applied mathematics. Good programming skills. Formation et compétences requises :
Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning. Adresse d’emploi :
Sorbonne Université (S.U.), Pierre et Marie Campus in the center of Paris. The candidate will integrate the MLIA team (Machine Learning and Deep Learning for Information Access) at ISIR (Institut des Systèmes Intelligents et de Robotique). Document attaché : 202607061524_2026-05-PhD-Description-Generative-World-models-Physics.pdf
|
