Doctorant F/H Reduction d'incertitudes dans les modéles de citculations appris

La demande d’observer, d’étudier, de comprendre, de prévoir, de s’adapter et d’atténuer le changement climatique n’a cessé d’augmenter depuis son identification par Arvid Högbom et Svante Arrhenius en 1896, menant à l’ère de
l’observation satellite de la Terre et constitue actuellement un point de discussion politique majeur. Extraire des signaux interprétables de l’avalanche de données fournies par les systèmes de surveillance de la terre, par les laboratoires de modélisation climatique et par les sources d’informations auxiliaires semble possible uniquement en ayant recours à l’intelligence artificielle et aux sciences des données. Depuis les années 2010, les méthodes et moyens de calcul ont permis une révolution technologique qui à accéléré plusieurs domaines scientifiques à l’aide de l’apprentissage profond.
Dans ce contexte, l’INRIA est a créé une équipe pour traiter de ces problématiques, nommée ARCHES.
L’équipe ARCHES, qui signifie “AI Research for Climate CHange and Environmental Sustainability." ou "Recherche en IA pour le Changement Climatique et la Durabilité", se concentre sur trois axes d’utilisation de l’IA: les impacts long-terme, l’adaptation au changement climatique et l’atténuation du changement climatique.
Un objectif de recherche commun pour les trois axes de l’équipe est de limiter les incertitudes des prévisions climatiques. Les travaux recent de l'équipe ont porté sur l'apprentissage de modeles de circulation à partir des données. Les premiers résultats pour la prevision météorologique on donné jour à un modéle de prévision apris performant (ArchesWeather). D'autre travaux sont en cours pour emuler le climat à une frequence mensuelle. Une des limitations communes est la résolution à la quelle ces modéles fonctionent, qui est de ~1.5°. Arches Weather est journalier et ArchesClimate mensuel.
Un des objectifs principaux de cette thèse est de diminuer les inceritudes issues de ces resolutions par superresolution. Pour cela nous allons explorer des modéles de Flow Matching.

Missions :
Effectuer de la veille scientifique, experiences scientifiques, rediger des articles, rediger un manuscrit de thèse.

Pour une meilleure connaissance du sujet de recherche proposé :
l'article expliquant ArchesWeather:  (https://arxiv.org/abs/2412.12971)
le code: https://github.com/gcouairon/ArchesWeather

Collaboration :
La personne recrutée sera en lien avec Anastase Charantonis, Renu Sindh et Graham Clyne qui utilisent ArchesWeather pour effectuer ce developpement. Elle integrera l'equipe ARCHES.

Responsabilités :
La personne recrutée a la charge de prendre en main ArchesWeather et prendra des initiatives pour effectuer les entrainements adaptés au probléme de résolution.

Principales activés :

Comprehension et Adaptation de ArchesWeather
Téléchargement des données à haute résolution
Adaptation du dataloader
Apprentissage du model à haute résolution
Analyse des résultats
Effectuer de la veille scientifique
Proposer & effectuer des experiences scientifiques
Rediger des articles
Rediger un manuscrit de thèse.

Compétences techniques et niveau requis :

Expertise de codage en python (pytorch)
Conaissance du processus d'entrainement par debruitage diffusif
Conaissance des Swin Transformers

Langues : Français, Anglais

Compétences relationnelles : Ecoute, reactivité, perseverance, bonne gestion du stress

Compétences additionnelles appréciées : Initiative, Recherche bibliographique

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des œuvres sociales d'Inria)
• Accès à la formation professionnelle
• Sécurité sociale