Physics-informed neural operators (pino) pour la tomographie ultra-rapide : vers une ia fondamentale et généralisable pour la mécanique des fluides industrielle

• Concevoir des architectures d’apprentissage d’opérateurs intégrant les équations de Navier–Stokes, les lois de couplage fluide–structure et les modèles électromagnétiques directs pour relier champs de capteurs et dynamiques fluide/solide
• Estimer position, modes vibratoires et charges dynamiques d’objets à partir de signaux EIT et d’accélérométrie en conditions turbulentes, cavitantes ou multiphasiques
• Transformer les signaux bruts en invariants physiques (nombre de Reynolds, fraction de vide, indice de cavitation, etc.) afin de permettre la généralisation inter-systèmes et des diagnostics IA robustes
• Concevoir et exploiter des campagnes expérimentales en collaboration avec le CEA et les partenaires académiques COMBINE afin de valider les opérateurs appris sur bancs contrôlés et données industrielles réelles
• Contribuer à des pipelines IA temps réel embarqués en environnement startup, reliant théorie, expérimentation et industrialisation

• Master en physique, mathématiques appliquées, ingénierie ou domaine proche
• Solides bases en mécanique des fluides, électromagnétisme et/ou modélisation multiphysique
• Analyse numérique, problèmes inverses, réseaux neuronaux, scientific machine learning
• Programmation : Python (calcul scientifique, ML), idéalement C++
• Anglais courant (langue de travail COMBINE)

le français est un plus

• Salaire attractif selon les barèmes MSCA (allocation de subsistance + allocation de mobilité + allocation familiale le cas échéant)
• Excellentes conditions de recherche dans une startup deep-tech en forte croissance et dans des institutions européennes de premier plan
• Forte exposition industrielle et mobilité internationale via les secondments obligatoires
• Cadre de vie privilégié à La Ciotat (France), entre Marseille et la Méditerranée sur la Côte d’Azur