STAGE - ACCÉLÉRER LES SIMULATIONS OCÉANIQUES CROCO AVEC L'INTELLIGENCE ARTIFICIELLE R&D (H/F)

Eviden, qui fait partie du groupe Atos, avec un chiffre d'affaires annuel d'environ 5 milliards d'euros, est un leader mondial de la transformation numérique axée sur les données, fiable et durable.
En tant qu'entreprise numérique de nouvelle génération, avec des positions de leader mondial dans les domaines du numérique, du cloud, des données, de l'informatique avancée et de la sécurité, elle apporte une expertise approfondie à tous les secteurs d'activité dans plus de 47 pays.
En réunissant des technologies haut de gamme uniques sur l'ensemble du continuum numérique et talents de classe mondiale, Eviden élargit les possibilités des données et de la technologie, aujourd'hui et pour les générations à venir.
Intitulé.
Accélérer les simulations océaniques CROCO avec l'Intelligence Artificielle Contact.
Contexte.
La simulation numérique d’écoulements géophysiques turbulents présente de nombreux défis notamment car les moyens de calcul actuels ne permettent pas le recours à des simulations numériques directe (DNS).
Les solveurs doivent inclure une représentation ad-hoc des échelles non-résolues (paramétrisations sous-maille) et des interactions avec les autres compartiments du système terrestre.
Les simulations augmentées par l’IA sont des approches prometteuses pour surmonter ces obstacles.
L'équipe BDS R&D AI4Sim collabore avec Inria (équipe AIRSEA) pour améliorer les simulations océaniques en utilisant l’IA et le deep learning.
Ces simulations nécessitent des données de forçage (conditions limites à la surface) provenant d’un solveur atmosphérique généralement à plus basses résolutions spatiale et temporelle (données ERA5 fournies par le centre européen de prévision, par exemple).
Une solution pour mieux représenter les interactions océan-atmosphère consiste à coupler le solveur océanique à un solveur atmosphérique à haute résolution.
Cependant, cette stratégie engendre un surcoût en temps de calcul et en ressources computationnelles car les solveurs atmosphériques sont significativement plus coûteux que les solveurs océaniques.
Une alternative est de coupler le solveur océanique avec un modèle réduit modélisant le comportement des basses couches de l’atmosphère (voir par exemple Lemarié et al., ).
L’objectif de la collaboration est de substituer le modèle atmosphérique à haute résolution par un modèle DL qui émulera les processus de la couche limite atmosphérique marine et qui fournira donc au modèle océanique les forçages requis.
Le modèle CROCO (solveur océanique codéveloppé par l’équipe AIRSEA) sera utilisé et devra être couplé efficacement avec le modèle DL pour échanger leurs données au moment de l’inférence, par exemple en utilisant les solutions développées par l’équipe AI4Sim ou déjà disponibles dans le domaine HPC.
Problématique.
L'objectif du stage sera de concevoir et entrainer un modèle DL qui sera ensuite utilisé pour évaluer une ou plusieurs solutions de couplage avec le solveur CROCO.
La problématique scientifique sera volontairement limitée durant le stage à un phénomène relativement simple (par exemple la propagation d’un tourbillon océanique isolé), les données nécessaires à l’apprentissage du modèle de DL étant disponibles au début du stage.
Le stagiaire aura l’opportunité d’approfondir le sujet par le biais d’une thèse de doctorat qui permettra d’explorer les capacités de modèles DL plus élaborés appliqués à des cas d'usage CROCO plus réalistes et plus complexes.
Les missions du stage seront les suivantes.
-Entraîner un modèle de DL de substitution de l’atmosphère sur le jeu de données préexistant.
-Lister et étudier les solutions de couplage IA/solveur existantes.
-Intégrer la solution la plus prometteuse dans le solveur océanique CROCO.
-Valider la solution couplée CROCO/DL.
- (Optionnel) Intégrer une ou deux autres solutions de couplage dans CROCO et les comparer.
Votre profil.
Vous êtes en dernière année de master en informatique, Data science ou domaine connexe.
Fortes compétences analytiques et créatives en résolution de problèmes.
La connaissance théorique du Deep Learning et du HPC est un plus.
Expérience en développement logiciel avec un langage orienté objet (ex.
C++, Python).
Vous êtes familier avec l'environnement Linux.
L’appétence pour la compréhension des phénomènes physiques est un plus.
Excellentes compétences en communication, et volonté de travailler dans un environnement dynamique et collaboratif.
Votre intérêt pour continuer en thèse sera un plus.
Localisation.
Echirolles () Durée.
6 mois     Let’s grow together.