Post-doctorat en deep-learning et soutenabilité h/f h/f

Vos missions seront les suivantes :


1/Apprentissage Robuste et Explicable : vous intégrerez la causalité pour améliorer l'explicabilité du modèle, ce qui permettra :

o L'interprétabilité des décisions,

o L'identification des points de défaillance,

o L’optimisation de la distribution thermique dans les réseaux de chauffage.


Souvent absente dans les modèles d'apprentissage profond en raison de leur dépendance aux corrélations. En contraignant l'apprentissage du modèle avec des relations causales entre les données, telles que les conditions environnementales et la performance du système.


2/ Apprentissage continu d’un modèle de fondation embarqué : permettre l'adaptabilité aux nouveaux besoins et aux conditions climatiques sont changeantes.


Pour surmonter l'oubli catastrophique, une approche incrémentale adaptée à ce type
de modèle doit être développée. Le modèle doit être conçu avec des contraintes
intégrées dès le départ pour garantir qu'il fonctionne près de la source de données.


Le chauffage urbain, étant un composant crucial des stratégies de décarbonisation
des villes, constitue un cas d'application de ce projet. Le contrôle, la surveillance et la
maintenance efficaces des sous-stations servent d'interface entre les réseaux de
chauffage urbain et les systèmes de chauffage des bâtiments. Une analyse d'impact
sera réalisée pour évaluer les avantages du déploiement de nouvelles technologies
dans ces sous-stations.


#CEA-List ; #LI-CB1 ; #Ingénieure ; #Chercheuse ; #Research Engineer