Doctorant(e) en intelligence artificielle scientifique et modélisation spatio-temporelle de la biodiversité

Context
Cette thèse s'inscrit dans le cadre du PEPR DynaBiod, qui vise à faire progresser la compréhension et la modélisation des dynamiques de la biodiversité, notamment en mobilisant les avancées récentes de l'intelligence artificielle et de la modélisation mathématique.
Le projet sera mené à Montpellier, dans un environnement de recherche interdisciplinaire associant Inria et des équipes spécialisées en intelligence artificielle, écologie quantitative et modélisation des systèmes dynamiques. Il bénéficiera de la complémentarité des compétences des encadrants, ainsi que de l'écosystème scientifique développé autour de Pl@ntNet et de l'IA pour la biodiversité.
Le doctorant ou la doctorante contribuera à un programme de recherche ambitieux, à l'interface entre apprentissage profond, modélisation mécaniste et écologie. Le poste offre l'opportunité de développer des méthodes originales, notamment autour des Process-Informed Neural Networks (PINNs), et de les confronter à des données écologiques réelles, dans un contexte de collaborations interdisciplinaires.
Assignment
L'objectif de cette thèse est de développer de nouvelles approches d'intelligence artificielle permettant de mieux comprendre et prédire la dynamique spatio-temporelle des communautés végétales.
Les travaux exploreront notamment le potentiel des Process-Informed Neural Networks (PINNs) pour combiner apprentissage à partir de données et connaissances issues de l'écologie théorique. L'ambition est de dépasser les limites des approches purement corrélatives en intégrant des contraintes et des processus écologiques dans les modèles d'apprentissage.
Un enjeu central sera d'identifier les formulations mathématiques et les architectures d'apprentissage les plus adaptées à la dynamique des communautés végétales, puis d'étudier leur capacité à inférer des processus et paramètres écologiques à partir d'observations spatiales et temporelles incomplètes, hétérogènes et bruitées.
Main activities
Étudier l'état de l'art en modélisation dynamique des systèmes écologiques, en Scientific Machine Learning et en PINNs.
Explorer différentes formulations mathématiques des dynamiques écologiques et leur intégration dans des architectures d'apprentissage profond.
Concevoir et développer des approches fondées sur les PINNs et, si pertinent, d'autres méthodes hybrides combinant modèles mécanistes et apprentissage automatique.
Étudier l'inférence de paramètres écologiques et la reconstruction de dynamiques spatio-temporelles à partir d'observations partielles.
Développer des outils de simulation et d'évaluation sur des données synthétiques et réelles (inventaires de végétation, données environnementales, télédétection).
Évaluer la robustesse, la généralisation et la pertinence écologique des modèles proposés.
Publier les résultats dans des conférences et revues scientifiques internationales et contribuer à leur diffusion en logiciel libre.
Skills
Formation :
Master 2 ou diplôme d'ingénieur en informatique, intelligence artificielle, mathématiques appliquées ou discipline équivalente.
Compétences attendues :
Bonnes connaissances en apprentissage automatique, optimisation numérique et/ou modélisation mathématique.
Solides compétences en programmation scientifique (Python).
Capacité à concevoir et évaluer des méthodes numériques.
Autonomie, rigueur scientifique et goût pour la recherche.
Bonne maîtrise de l'anglais scientifique.
Compétences appréciées :
Connaissances en écologie quantitative, données spatiales ou télédétection.
Expérience en apprentissage profond (PyTorch, JAX ou équivalent).
Connaissances en équations différentielles, systèmes dynamiques ou PINNs.
Expérience en simulation numérique et en inférence de paramètres.