Intelligence Artificielle pour l'Estimation Rapide de Termes Sources H/F

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) Moyens / Méthodes / Logiciels Cluster GPU, simulateur lagrangien PMSS, Python, PyTorch 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. Localisation du poste Site Grenoble Localisation du poste France, Auvergne-Rhône-Alpes, Isère (38) Ville Grenoble Critères candidat Langues
• Français (Courant)
• Anglais (Intermédiaire) Demandeur Disponibilité du poste 02/11/2026