> Markdown version of [/jobs/ext/3764886-intelligence-artificielle-pour-l-estimation-rapide-de-termes-sources-h-f](https://www.wearedevelopers.com/jobs/ext/3764886-intelligence-artificielle-pour-l-estimation-rapide-de-termes-sources-h-f). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md). --- # Intelligence Artificielle pour l'Estimation Rapide de Termes Sources H/F - **Company:** CEA Industrie - **Location:** Grenoble, France - **Contract:** Permanent contract - **Skills:** Artificial Intelligence, Artificial Neural Networks, Computational Fluid Dynamics, Computer Simulation, Python (Programming Language), Machine Learning, Pytorch, Deep Learning - **Published:** October 16, 2026 - **Apply:** https://www.hellowork.com/fr-fr/emplois/84474456.html ## About the Role 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., 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., * 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. EUR Machine learning Intelligence artificielle Python Traitement du signal Mathématiques Intelligence Artificielle pour l'Estimation Rapide de Termes Sources H/F ## Description La conscience des responsabilités - La coopération - La curiosité 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).