Post-doctorant (h/f)

Description de l'emploi: 01/02/2026
Le poste s'inscrit dans le cadre du projet ANR MilaDy - Machine Learning Modeling for Turbulent Dynamos (2026-2030), coordonné par C. Nore (LISN, Université Paris-Saclay), S. Cheng (CEREA, ENPC), avec Y. Ponty (Observatoire de la Côte d'Azur) et F. Marcotte (INRIA Côte d'Azur). Le projet vise à élucider les mécanismes d'auto-génération et d'inversion des champs magnétiques dans les fluides conducteurs en mouvement, phénomènes caractéristiques des noyaux planétaires et des intérieurs stellaires. Pour ce faire, il combine simulation numérique haute performance (HPC) et apprentissage automatique afin de concevoir des modèles prédictifs réduits capables de reproduire la dynamique complexe des écoulements magnétohydrodynamiques (MHD) turbulents. Le/la chercheur-se postdoctoral-e participera à la modélisation, l'analyse et l'interprétation de grandes bases de données issues de simulations MHD tridimensionnelles. Il/elle développera et appliquera des méthodes avancées de réduction de dimension, de détection d'événements rares et de caractérisation d'attracteurs multiples, en s'appuyant sur des approches modernes d'apprentissage automatique et de représentation latente (autoencodeurs, modèles informés par la physique, apprentissage contrastif).
Une attention particulière sera portée à la mise en relation des structures apprises avec les invariants physiques et les paramètres de contrôle des écoulements.
Le/la postdoctorant-e sera accueilli-e au laboratoire Lagrange (OCA, Nice), en lien étroit avec l'équipe Castor (INRIA Côte d'Azur), et collaborera activement avec l'ensemble du consortium MilaDy (LISN, CEREA).
Activités principales
- la génération de données issues de simulations DNS/LES des écoulements MHD turbulents représentatifs des dynamos planétaires et expérimentales (ex. DRESDYN) .
- Gérer et structurer de grands ensembles de données multidimensionnelles issus de ces simulations.
- Développer et entraîner des modèles pour la réduction de dimension, la prédiction de régimes dynamiques et la détection d'événements rares.
- la conception et l'entraînement de modèles de compression et de représentation latente respectant les contraintes physiques (physics-aware encoders/decoders) ;
- l'analyse et l'interprétation des espaces latents pour relier les représentations apprises à des paramètres physiques de l'écoulement ;
- l'évaluation des modèles d'apprentissage à l'aide de métriques de cohérence physique (spectres d'énergie, hélicité, divergence, topologie magnétique) ;
- Intégrer des contraintes physiques dans les architectures d'apprentissage.
- Valoriser les résultats à travers des publications, communications et livrables ANR.
Connaissances requises
- Simulation numérique parallèle (DNS, LES, codes MPI/OpenMP).
- Réduction de données et de modèles.
- Apprentissage automatique appliqué à la physique numérique : réseaux de neurones convolutionnels, autoencodeurs, attention-based networks, contrastive learning, ou modèles informés par la physique (PINNs).
- Manipulation et prétraitement de grands volumes de données (HDF5, NetCDF, PyTorch DataLoader, etc.).
- Outils de calcul scientifique : Python (NumPy, PyTorch, TensorFlow), C++ pour la partie simulation.
- Analyse statistique et visualisation de données scientifiques.
- Bonne connaissance de Linux et des environnements de calcul intensif.
Niveau de recrutement et diplômes requis
- Doctorat (PHD) validé
Rémunération
Basée sur la grille fonction publique du corps des chercheurs, variable en fonction de l'expérience.Le salaire annuel brut est proportionnel au niveau d'expérience.
Pour postuler
Merci de faire parvenir votre CV et une lettre de motivation en parallèle par mél au responsable Yannick.Ponty@oca.eu, copie au service des ressources humaines : recrutement@oca.eu
Tous nos postes sont ouverts aux personnes en situation de handicap.