About this role
Summary: Postdoctoral researcher to develop hybrid AI models combining PINNs and Neural Operators for rapid atmospheric source term estimation. The role involves optimizing physics-informed deep learning architectures for emergency response scenarios in urban and industrial environments.
### Sujet de stage
AIFORSTE (Artificial Intelligence for Rapid Source Term Estimation), postdoctorat de 18 mois au CEA-Leti (Grenoble), co-encadré par le CEA-DAM, vise à estimer en quasi-temps réel la position, l'intensité et la cinétique d'un rejet atmosphérique accidentel ou malveillant, à partir de mesures bruitées, pour appuyer les décisions d'urgence (évacuation, confinement). Face aux limites des modèles CFD (trop coûteux) et des panaches gaussiens (trop imprécis en géométrie complexe), l'approche combine PINNs et Neural Operators (FNO, DeepONet), hybridés avec des contraintes physiques (advection-diffusion, conservation de la masse) et l'architecture brevetée MCxM pour intégrer la géométrie du bâti. Validation sur trois cas d'usage progressifs (2D académique, quartiers urbains de Grenoble/Paris, scénario industriel), via simulations haute-fidélité. Publications et brevets attendus ; enjeu de souveraineté technologique en sûreté environnementale.
### Description de l'offre
Le CEA-Leti (Grenoble), en co-encadrement avec le CEA-DAM, recrute un(e) post-doctorant(e) pour 18 mois sur le projet AIFORSTE (Artificial Intelligence for Rapid Source Term Estimation), dédié à l'estimation rapide de sources de rejets atmosphériques accidentels ou malveillants.
Contexte et enjeux
Face à un rejet toxique dans un environnement urbain ou industriel, localiser et quantifier rapidement la source (position, intensité, cinétique) est essentiel pour décider des mesures d'urgence (évacuation, confinement). Les modèles CFD haute-fidélité sont trop coûteux pour une réponse en temps réel ; les modèles analytiques simplifiés (panaches gaussiens) sont rapides mais imprécis en géométrie complexe. AIFORSTE propose de dépasser ce compromis grâce à l'IA informée par la physique.
Mission
Concevoir et optimiser des architectures hybrides combinant PINNs (Physics-Informed Neural Networks) et Neural Operators (FNO, DeepONet) pour résoudre le problème inverse de source à partir d'un nombre restreint de mesures bruitées, en quasi-temps réel et sans réentraînement complet à chaque nouvelle configuration.
Objectifs
- Développer un modèle hybride reconstruisant position, amplitude et cinétique de source(s) à partir de mesures distribuées.
- Adapter les réseaux informés par la physique aux milieux urbains/industriels, en respectant les lois de conservation et la géométrie du bâti (architecture MCxM développée au CEA).
- Optimiser la convergence et le coût computationnel pour une exploitation opérationnelle.
Méthodologie et cas d'études
Hybridation PI-DeepONet/PI-FNO, régularisation avancée pour sources ponctuelles. Validation progressive sur un cas académique 2D, des quartiers urbains réels (Grenoble, Paris) et un scénario industriel, à partir de simulations haute-fidélité (modèle lagrangien PMSS du CEA-DAM).
Perspectives
Publications dans des revues de premier plan (Atmospheric Environment, Environmental Modelling and Software) et dépôts de brevets. Prolongements possibles vers le multi-polluant, les jumeaux numériques, la quantification d'incertitude bayésienne et l'Edge AI.
Ce poste offre une opportunité unique de contribuer à la souveraineté technologique française en matière de sécurité et de surveillance de l’environnement et de positionner le CEA à la pointe de l’IA scientifique appliquée à la modélisation physique.
Contact : Sylvain Leirens (sylvain.leirens@cea.fr), Patrick Armand (patrick.armand@cea.fr)
### Profil du candidat
Le/la candidat(e) devra être titulaire d’un doctorat en physique, mathématiques appliquées ou ingénierie, et justifier d’une solide formation en :
- Mathématiques appliquées / Traitement du signal / Contrôle : compréhension des problèmes inverses, des systèmes à paramètres distribués et de l’optimisation.
- Apprentissage automatique / Deep Learning : expérience des réseaux de neurones profonds, idéalement dans le cadre de problèmes gouvernés par des EDP (PINNs, Neural Operators ou méthodes de réduction de modèle basées sur les données).
- Simulation Numérique : une familiarité avec la CFD ou les modèles de transport atmosphérique serait un plus.
Compétences clés :
- Expertise en Python et PyTorch.
- Capacités d’implémentation et d’optimisation de code pour le calcul sur GPU.
- Excellentes compétences en rédaction scientifique et communication.
- Capacité à travailler en interdisciplinarité.