Stage - reconstruction de courants par deep learning

Les courants océaniques de surface résultent de la combinaison complexe de différents processus physiques et leur compréhension est essentielle pour diverses applications (régulation du climat, dynamique des écosystèmes marins, navigation, dispersion des polluants). Les modèles de Deep Learning actuels dédiés à la reconstruction des courants de surface en Méditerranée et/ou an Atlantique Nord, intègrent des données océanographiques (température, salinité, hauteur de mer), de vent, et autres données grillées. Les résultats sont très encourageants, mais peuvent néanmoins être améliorés en intégrant des données in-situ, issues de bouées dérivantes ou radars HF, qui apportent des informations locales précieuses.

L’objectif est de développer des architectures complexes de Deep Learning (combinant CNN, LSTM, Transformers, mécanismes d’attention) capables de fusionner efficacement des données denses (comme les données océanographiques issues de modèles numériques), ainsi que des données in-situ clairsemées (bouées dérivantes, radars HF). Ces dernières aideraient à représenter des phénomènes complexes, comme les oscillations quasi-inertielles qui restent incorrectement reconstruites dans notre solution.

Au cours de ce stage, vous serez amené(e) à :

· Réaliser une revue bibliographique des approches existantes état de l’art, de modèles multimodaux de Deep Learning intégrant données denses et clairsemées ;

· Concevoir et développer un modèle de Deep Learning dans le framework Pytorch, avec une architecture innovante combinant CNN, LSTM, Transformers, mécanismes d’attention ;

· Comparer et évaluer les performances des approches proposées face aux modèles internes de référence existants (modèles Unet et ConvLSTM) ;

· Présenter, documenter, et valoriser vos travaux auprès de l’équipe Data et des autres pôles techniques de CLS, ainsi que lors des journées des stages en IA en juin / juillet ;

A propos du profil recherché

Etudiant(e) en école d’ingénieurs ou en Master 2 avec une spécialisation en Data Science, Intelligence Artificielle, Machine Learning ou Mathématiques Appliquées, vous souhaitez mettre en application vos connaissances à travers des projets porteurs de sens, contribuant à la gestion durable des océans.

Compétences et connaissances souhaitées :

· Solides bases en apprentissage automatique et profond (Machine Learning et Deep Learning) ;

· Maîtrise des langages et bibliothèques de data science, en particulier Python, scikit-learn, PyTorch (ou TensorFlow), pandas, numpy, matplotlib, etc. ;

· Connaissance des outils de versionnement et de développement collaboratif (Git, Jupyter notebooks, etc.) ;

· Une familiarité avec les environnements Cloud (notamment AWS) serait appréciée ;

· Une première expérience en analyse de données massives et/ou en apprentissage automatique serait également un plus.

ualitésattendues :

· Curiosité scientifique et goût pour l’expérimentation ;

· Esprit analytique, rigueur, sens de l’organisation et autonomie ;

· Capacité à collaborer au sein d’équipes pluridisciplinaires ;

· Bonnes capacités de communication écrite et orale pour présenter et valoriser vos résultats.