Annonce

Description du sujet :

En sciences naturelles, la modélisation des phénomènes physiques constitue un sujet difficile.
Les formules existantes ne suffisent parfois pas à représenter adéquatement les mécanismes
complexes (notamment ceux non observables). Il arrive également que ces formules
existantes ne correspondent pas parfaitement aux observations issues de données. Ces
problèmes ont été rencontrés par exemple dans les suivis de la concentration des polluants,
des étalements de végétation, et des coulées de lave. Dans ce stage, nous nous concentrons
sur la modélisation volcanique. En volcanologie, les scientifiques disposent des mesures de
déplacements en surface induits par une source volcanique en profondeur et utilisent ces
mesures pour estimer les paramètres physiques d’un modèle volcanique.

Dans un premier temps, nous partons d’un modèle simple sous forme d’une expression
analytique, le modèle Mogi. Dans ce modèle le déplacement en surface est directement
induit par un changement rapide du volume de la chambre magmatique qui se situe à une
profondeur donnée. Dans ce modèle, les deux paramètres clés sont la variation du volume et
la profondeur de la chambre magmatique. L’objectif du stage consiste à utiliser les méthodes
de régression symbolique pour affiner le modèle Mogi car il reste une vision simplifiée de la
physique sous-jacente. La régression symbolique devrait alors permettre d’affiner ce modèle
directement à partir des données. La pertinence de l’approche et la sensibilité de la
modélisation à la variété de l’activité volcanique sur différents sites volcaniques pourront être
mesurées et comparées au modèle Mogi original. En s’appuyant sur des travaux basés sur l’IA
classique développés au laboratoire sur l’inversion de modèles géophysiques, 3 types de
données sont disponibles pour créer un cadre expérimental et de validation : 1)
déplacements simulés à partir du modèle Mogi 2) déplacements simulés plus un bruit ajouté
3) déplacements réels sur des volcans africains. Cette étude sera étendue à un modèle
volcanique plus sophistiqué, par exemple, le modèle Okada qui décrit le mécanisme de
fonctionnement d’un volcan avec plus de paramètres et s’appuyant sur des équations
différentielles.

Le stagiaire appuiera entre autres sur les articles suivants :

• Tenachi, W., et al. (2023). Physical Symbolic Optimization. arXiv:2312.03612.
• Albino, F., & Biggs, J. (2021). Magmatic processes in the East African Rift system: insights
  from a 2015–2020 Sentinel‐1 InSAR survey. Geochemistry, Geophysics, Geosystems, 22(3),
  e2020GC009488.
• Dzurisin, D. (2007), Volcano Deformation: Geodetic Monitoring Techniques. Mogi, K. (1958),
  Bull. Earthq. Inst. U. Tokyo, 36, 99‐134
• Lopez-Uroz L, Yan Y., Benoit A., Albino F., Bouygues P., Giffard-Roisin S., Pinel V., Exploring
  Deep Learning for Volcanic Source Inversion, IEEE Transactions on Geosciences & Remote
  Sensing.
• Petersen, B. K., et al. (2019). Deep symbolic regression: Recovering mathematical
  expressions from data via risk-seeking policy gradients. arXiv:1912.04871.
  

Merci de nous envoyer un CV et une lettre de motivation, idéalement accompagnés des
relevés de notes de M1, M2 (ou Bac+4 et Bac+5).
Compétences requises : Machine learning, Python, PyTorch/TensorFlow
Gratification : Selon législation en vigueur – 4,35 € par heure de stage et 7h/jours ouvrés (~620€/mois)
Tuteurs /Contacts : Argheesh Bhanot (bhanota@univ-smb.fr), Yajing Yan (Yajing.Yan@univ-smb.fr) et Alexandre Benoit