Sujet de Stage de Master Deep Learning et Dynamiques Géophysiques Encadrants : Encadrants : Ronan Fablet Cédric Herzet Pierre Tandeo [email protected] [email protected] [email protected] 30 septembre 2016 Description du sujet L’apprentissage profond (deep learning) [2] a connu un essor extrêmement important en quelques années dans le domaine de l’intelligence artificielle et de la vision par ordinateur. Initiallement exploité pour des problèmes de classification et reconnaissance, il est également devenu un cadre de référence pour la résolution de nombreux problèmes d’imagerie : synthèses d’images, super-résolution, débruitage, inpainting,.... Dans le domaine des sciences environnementales, la reconstruction de la dynamique d’un état (par exemple, l’évolution de paramètres géophysiques de l’atmosphère ou de l’océan) à partir d’observations partielles, telles que des observations satellitaires ou des observations in situ, constitue un enjeu majeur. Ce problème est dénommé assimilation de données et exploite généralement une connaissance a priori d’un modèle physique décrivant la dynamique de l’état. L’objectif de ce projet est d’explorer des techniques d’apprentissage profond sans avoir à spécifier explicitement un modèle physique a priori. Il s’intéressera tout particulièrement aux CNNs (Convolutional Neural Networks). Différentes architectures seront envisagées vis-à-vis des contraintes d’appentissage posées par l’assimilation de données. Dans un second temps, il s’agira d’explorer le couplage de cet apprentissage profond avec les méthodes classiques d’assimilation de données par filtrage stochastique [1], dans le prolongement de nos travaux récents exploitant des techniques de type plus proches voisins [3]. Une évaluation expérimentale des méthodes proposées sera réalisée sur des données simulées et éventuellement des données réelles pour quantifier l’apport potentiel de l’apprentissage profond à l’assimilation de données. 1 Figure 1 – Exemple de donnée de hauteur d’eau devant être intégrée au schéma d’assimilation. Mots-clés : Réseaux de neurones convolutifs, assimilation de données, apprentissage supervisé, problèmes inverses Travail à réaliser Le travail à réaliser comportera trois étapes principales : • La réalisation d’un état de l’art sur les modèles d’apprentissage profond pour la résolution de problèmes inverses en imagerie ; • La mise en oeuvre de modèles CNNs pour la prédiction de systèmes dynamiques et leur combinaison avec des méthodes de filtrage stochastique ; • L’évaluation comparative de(s) l’algorithme(s) proposé(s) par rapport à l’état de l’art sur des jeux de données simulés. Environnement de travail Les développements algorithmiques seront réalisés en Python ou Matlab et pourront exploiter la librairie AnDA [3]. Quelques références bibliographiques 2 Références [1] G. Evensen. Data Assimilation. Springer Berlin Heidelberg, Berlin, Heidelberg, 2009. [2] Y. LeCun, Y. Bengio, and G. Hinton. Deep learning. Nature, 521(7553) :436– 444, May 2015. [3] R. Lguensat, P. Tandeo, P. Aillot, and R. Fablet. The Analog Data Assimilation. Submitted., 2016. 3