Chercheur post-doctorant (H/F) deep learning pour prédire la distribution des communautés biologiques m

Missions :
La personne recrutée pour ce poste travaillera dans le cadre du programme français Océan et Climat, en particulier dans la composante « data challenges » en intelligence artificielle du projet :
https://www.ocean-climat.fr/Le-PPR/Actualites/Intelligence-artificielle-Appel-a-postdoc-et-data-challenges.

L’objectif est de faire collaborer et concurrencer plusieurs équipes (« coopétition ») pour résoudre des défis majeurs liés aux données en sciences marines. Le défi concerné ici porte sur la prédiction de la composition des communautés d’organismes marins (zooplancton, particules de neige marine et poissons des récifs coralliens) à partir de données environnementales collectées autour du point d’observation biologique. Formellement, la sortie est multivariée (de 10 à 600 groupes), et l’entrée peut comporter jusqu’à quatre dimensions (latitude, longitude, profondeur, temps) pour chaque variable (avec plus d’une douzaine de variables en entrée).

L’approche envisagée repose sur les récents développements de l’utilisation des réseaux de neurones convolutifs (CNN) pour les modèles de distribution d’espèces (Species Distribution Models), par exemple Deneu et al. 2021 ou Morand et al. 2024, en vue de résumer la complexité des champs d’entrée, puis de faire une régression dans l’espace d’embedding sur les variables cibles. Cependant, de nombreux défis restent à relever dans cette approche (choix entre CNN et transformeurs visuels, structuration des données d’entrée, intégration des dimensions temporelle et verticale, fonction de perte adaptée à une sortie multivariée, etc.). Nous attendons donc du ou de la post-doctorant·e qu’il ou elle apporte des contributions significatives au domaine au cours du projet.

Références :

• Deneu B et al. (2021) Convolutional neural networks improve species distribution modelling by capturing the spatial structure of the environment. PLoS Comput Biol
• Morand G et al. (2024) Predicting species distributions in the open ocean with convolutional neural networks. Peer Community J
  Activités :
  Principales activités (par ordre chronologique) :
• Se familiariser avec les divers ensembles de données d’entrée et de sortie
• Étudier la fonction de perte pour une régression multivariée avec des plages très différentes dans les variables cibles et des distributions de densité inconnues
• Explorer la meilleure manière de résumer les entrées 2D (longitude, latitude) afin de capturer le contexte de l’observation et d’améliorer la prédiction
• Étudier l’ajout de dimensions supplémentaires (troisième et quatrième) aux entrées

Autres activités : Le post-doctorant est amené à collaborer avec l’autre équipe travaillant sur le même défi, basée à Montpellier. Il/elle sera également impliqué(e) dans les activités générales liées au programme Océan et Climat, ainsi que dans d’autres projets en cours impliquant les superviseurs, tels que l’équipe OceanIA d’INRIA https://oceania.inri
Voir plus sur le site emploi.cnrs.fr...