Doctorat en «End-to-End Deep Learning for Ocean Forecasting and Reanalysis Systems» – Programme MSCA Cofund SEED

Grâce à l’intégration de capacités de pointe en matière d’observation des océans, d’infrastructures de données ainsi que de modélisation et de prévision utilisant des technologies innovantes, le jumeau numérique européen de l’océan construira une représentation numérique des environnements marins et côtiers. Il fournira un ensemble innovant d’outils d’aide à la décision, interactifs et axés sur les utilisateurs, soutenus par les meilleures données scientifiques et données. Pour atteindre cet objectif, un consensus croissant envisage la contribution essentielle des technologies d’IA et des paradigmes basés sur les données pour développer des jumeaux numériques hybrides de l’océan.

Dans ce contexte large, cette thématique vise à explorer des orientations de recherche au carrefour de l’apprentissage profond, de l’assimilation de données et de la quantification des incertitudes (Cheng et al. 2023) et à répondre aux lacunes des systèmes opérationnels de pointe (Lellouche et al. 2021). ), comme le suggèrent les résultats récents de l’interpolation spatio-temporelle de traceurs de surface de la mer à l’échelle régionale à l’aide de schémas neuronaux (par exemple, Febvre et al., 2023). Nous visons à étendre davantage ces développements méthodologiques et à réaliser des percées dans les performances de prévision et de réanalyse ainsi que dans la représentation et la réduction des incertitudes pour les processus océaniques mal observés (par exemple, les courants totaux de surface de la mer, la dynamique des couches supérieures des océans…).

Le concept d’émulateurs profondément différenciables semble très attrayant pour relier les systèmes de modélisation et d’assimilation de données océaniques de pointe mais non différenciables (par exemple, les systèmes NEMO et Glorys ; Lellouche et al. 2021) et les cadres d’apprentissage profond (par exemple JaX). , PyTorch). Synergies entre les approches de bout en bout (Le Cun et al., 2015), les schémas d’apprentissage par simulation (Febvre et al. 2023), les modèles génératifs profonds (Yang et al., 2022) et les méthodes variationnelles (Fablet et al. 2021) font partie des sujets d’intérêt pour concevoir de nouveaux systèmes de réanalyse et de prévision probabilistes des océans, efficaces sur le plan informatique. Des études de cas de démonstration pour la simulation et des ensembles de données réelles viseront à améliorer la surveillance et la prévision de la dynamique des couches supérieures des océans. Ils pourraient explorer le potentiel de nouveaux ou futurs ensembles de données d’observation (par exemple, l’altimétrie SWOT, la mission Odyssea), éventuellement combinés avec des ensembles de données opérationnels (par exemple, les observations Sentinel, Argo et les données des dériveurs).

Ce sujet bénéficiera du partenariat en cours entre la chaire IA OceaniX ( https://cia-oceanix.github.io ) et Mercator Ocean Intl (MOi,  https://www.mercator-ocean.eu ) à travers le co- encadrement du doctorant par le Pr Ronan Fablet et le Dr Charles-Emmanuel Testut. La chaire IA OceaniX et l’équipe INRIA Odyssey ( https://www.inria.fr/en/odyssey ) offriront un environnement de recherche interdisciplinaire unique à la croisée des mathématiques appliquées, du deep learning et des sciences océaniques, incluant l’accès à des ressources GPU dédiées, tandis que MOi apportera une expertise de pointe en matière d’assimilation de données océaniques, y compris l’accès aux systèmes opérationnels et aux pipelines. À une échelle plus large, ce sujet bénéficiera et contribuera aux Jumeaux numériques européens de l’océan mis en œuvre dans le cadre du projet européen EDITO Model lab porté par Mercator Ocean Intl.