> Markdown version of [/jobs/ext/4778253-postdoc-en-apprentissage-automatique-pour-la-detection-de-precurseurs-de-transitions-dans-un-ecoulement](https://www.wearedevelopers.com/jobs/ext/4778253-postdoc-en-apprentissage-automatique-pour-la-detection-de-precurseurs-de-transitions-dans-un-ecoulement). 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). --- # Postdoc en apprentissage automatique pour la détection de précurseurs de transitions dans un écoulement - **Company:** CNRS - **Location:** Lyon, France (Remote available) - **Salary:** €36,858 - **Contract:** Apprenticeship - **Skills:** Computer Simulation, Databases, Domain Name System (DNS), Python (Programming Language), NumPy, Pytorch, Scikit Learn, Markov - **Published:** November 19, 2026 - **Apply:** https://emploi.cnrs.fr/Offres/CDD/UMR5672-MICBOU-006/Default.aspx ## About the Role * Doctorat en physique, mécanique des fluides, physique non linéaire ou science des données appliquée à la physique * Solide expérience des méthodes d'apprentissage automatique (classification, réduction de dimension, apprentissage profond) et de l'analyse de séries temporelles * Maîtrise de Python et des bibliothèques scientifiques et d'apprentissage (NumPy, scikit-learn, PyTorch ou équivalent) * Expérience du traitement de grands volumes de données (plusieurs téraoctets) et du calcul sur cluster * Connaissances en turbulence, dynamique des systèmes multistables ou événements rares appréciées * Une expérience en suivi lagrangien de particules, en imagerie rapide ou en simulation numérique des écoulements (LES, DNS) serait un atout * Goût pour le travail à l'interface entre expérience, modélisation et numérique * Capacité rédactionnelle et maîtrise de l'anglais scientifique * Autonomie, rigueur et aptitude au travail en équipe dans un projet multi-partenaires Contraintes et risques : Des déplacements ponctuels sont à prévoir vers les sites partenaires (Saclay, Grenoble) pour les réunions de projet et les travaux communs. Le travail expérimental implique des dispositifs en rotation et des sources lumineuses intenses, utilisés dans le respect des règles de sécurité du laboratoire. Le contexte interdisciplinaire demande une ouverture d'esprit et une aptitude à la communication. Niveau d'études minimum requis * Niveau Niveau 8 Doctorat/diplômes équivalents * Spécialisation Formations générales Langues * Français Seuil ## Description Le projet ALÉAS (« Turbulence extrême : prédire l'imprévisible »), porté par le LPENSL, le SPEC (CEA Saclay) et le LEGI (Grenoble), vise à détecter les signaux faibles qui précèdent les événements extrêmes et les transitions brutales dans les écoulements turbulents. Ces transitions entre états métastables sont des événements rares, qui surviennent sur des temps très longs devant les temps caractéristiques de la turbulence : ni la théorie, ni la simulation, ni l'apprentissage sur des bases de données classiques ne permettent aujourd'hui de les anticiper. Le projet s'appuie sur une métrologie en rupture : l'imagerie neuromorphique (caméras événementielles), qui n'enregistre que les pixels où l'intensité change. Le LPENSL a développé une méthode de suivi lagrangien 3D à partir de huit caméras événementielles, qui a permis d'enregistrer en continu pendant 24 h un écoulement de von Kármán turbulent en cuve carrée (Reλ 100), à une cadence de 10 kHz : 5,2 millions de trajectoires et 5 milliards d'échantillons d'accélération. Cet enregistrement résout pour la première fois, de façon continue, la bistabilité de l'écoulement : 53 basculements spontanés entre deux états de grande échelle, de durée médiane 24 min. La mission du ou de la postdoctorant·e est de rechercher des précurseurs de ces transitions à partir des mesures neuromorphiques. Il s'agira de déployer des méthodes d'apprentissage automatique pour (i) identifier l'état dans lequel se trouve l'écoulement, (ii) détecter et caractériser les transitions et (iii) développer des stratégies de recherche de précurseurs. La possibilité de produire numériquement des données de transition, par des simulations dans une géométrie proche de l'expérience, sera également explorée. Activités : Le ou la postdoctorant·e exploitera les enregistrements longs déjà acquis et participera à de nouvelles campagnes de mesure sur l'expérience de von Kármán du LPENSL. Ses activités principales seront les suivantes : * Identification des états : construire des descripteurs de l'état de grande échelle à partir des trajectoires lagrangiennes (éventuellement directement à partir des flux d'événements) et développer des méthodes de classification, supervisées ou non (réduction de dimension, mélanges gaussiens, modèles de Markov cachés, réseaux de neurones). * Détection des transitions : dater précisément les basculements (détection de ruptures), caractériser les chemins de transition et la statistique des temps de résidence. * Recherche de précurseurs : analyser les statistiques conditionnées aux transitions (événements intenses d'accélération, anisotropie locale, fluctuations de grande échelle), tester des indicateurs d'alerte précoce et développer des modèles prédictifs, des modèles autorégressifs à leurs généralisations non linéaires issues de l'apprentissage, en quantifiant leur horizon de prédiction. * Campagnes expérimentales : contribuer à de nouveaux enregi Voir plus sur le site emploi.cnrs.fr...