Stage - Incertitudes sur le contenu en chaleur de l’océan par Deep Learning

Contexte

Par son large volume et son importante capacité calorifique, l’océan a un potentiel d'emmagasinement d’énergie sous forme de chaleur très important. Le contenu en chaleur de l’océan (ocean heat content, OHC) est par conséquent une variable importante pour l’étude du réchauffement climatique.

Les variations temporelles du contenu en chaleur de l’océan global aux échelles interannuelles et plus reflètent le déséquilibre radiatif au sommet de l’atmosphère terrestre. En effet, avec l’augmentation des concentrations en gaz à effet de serre, la Terre ne réémet pas autant d’énergie vers l’espace qu’elle n’en reçoit du soleil et la majeure partie de l’énergie conservée en excès se retrouve dans l’océan. (von Schuckmann et al., 2020).

Le contenu en chaleur de l’océan peut être déterminé avec différentes approches qui peuvent utiliser des modèles océaniques, des mesures in situ de température et de salinité, l’altimétrie et la gravimétrie spatiale. Plusieurs méthodes de Machine Learning ont également été développées pour tenter de dépasser les limitations de ces approches.

Les méthodes de Deep Learning sont de plus en plus répandues dans les applications scientifiques et ont permis des avancées scientifiques significatives ces dernières années. Le domaine de la recherche scientifique sur l’évolution du climat requiert de prendre en compte finement les incertitudes à la fois sur les données utilisées mais aussi sur les traitements appliqués aux données.

La métrologie, qui est l’étude de la caractérisation et de la propagation des incertitudes, est à présent répandue dans les études scientifiques sur le climat, mais est assez peu évoquée lorsque ces études mettent en œuvre du Deep Learning. En parallèle, des études théoriques sur les incertitudes des réseaux de neurones se sont développées, sans systématiquement être reliées à des cas d’étude pratiques.

La part croissante d’études scientifiques sur le climat utilisant des réseaux de neurones implique de faire concorder ces deux domaines et d’appliquer concrètement aux études scientifiques les théories développées.

Sujet

L’objectif principal du stage est d’appliquer des techniques d’estimation des incertitudes dans les réseaux de neurones à une application concrète d’étude scientifique sur le climat. Plus précisément, il s’agira de déterminer les incertitudes associées à un modèle de Deep Learning d’estimation du contenu en chaleur de l’océan.

Le stage s’organisera en plusieurs étapes : 

• Se familiariser avec l’estimation du contenu en chaleur de l’océan et avec les approches développées à Magellium,

• Se familiariser avec les grands principes de métrologie et les applications aux sujets de l’équipe,

• Faire une étude bibliographique des méthodes existantes (méthodes ensemblistes, méthodes déterministes, réseaux bayésiens, etc.) et des outils sur étagère (TorchUncertainty, Lightning-UQ-Box, etc.) d’estimation des incertitudes dans les réseaux de neurones,

• Appliquer ces méthodes à un réseau d’estimation de l’OHC ; il conviendra notamment de caractériser et de distinguer les diverses sources d’incertitudes (incertitudes des données d’entrée, incertitudes des poids du réseau, incertitudes du choix de l’architecture, etc.),

• Etendre à d’autres applications en lien avec les sujets de l’équipe.

En fonction des résultats obtenus, ces travaux pourront être valorisés dans des conférences scientifiques.

Étudiant(e) en cursus universitaire ou en école d'ingénieur et préparant un diplôme de niveau Bac+5 dans le domaine de l’informatique, des mathématiques appliquées ou du deep learning.

Vous avez des compétences en programmation numérique (de préférence Python), disposez d’un bon bagage mathématique et d’un attrait pour la recherche scientifique.

Chez Magellium Artal Group, la diversité et l'inclusion sont fondamentales pour notre fonctionnement et ancrées dans nos valeurs. Nous respectons la diversité de nos employés, leurs expériences, leurs origines, leurs handicaps, et offrons des chances égales à tous. Tous différents, tous compétents !

Mots clés : Deep Learning, incertitudes, contenu en chaleur de l’océan, climat

Compétences : Python, Mathématiques, statistiques et probabilités, Pytorch, métrologie