Internship offers 2020

Filled internship:

The following list of internship has already be filled for year 2019-2020

Groupe de travail 1 : Evangelos Moscos

Quand : 4 Décembre 2019 à 14:00

Où : Salle de réunion du LOCEAN, Tour 45-55, 4ème étage

Evangelos Moscos (LMD,LIP6) présentera sa problématique de recherche qui porte sur « Identification de structures tourbillonnaires dans la Méditerranée par Deep Learning ». Le sujet aborde des problèmes méthodologiques liés à la détection de structures à différentes échelles qui se retrouvent dans de nombreux problèmes.

 L’exposé sera suivi d’une discussion avec les participants sur l’approche et les perspectives possibles du travail.

 Le groupe de travail interne « SCAI & AI4Climate » réunit les chercheurs, ingénieurs, doctorants, post doctorants concernés par les thématiques liées à conception et l’utilisation de nouvelles méthodes d’Intelligence Artificielle pour l’étude de l’environnement, allant du modèle à l’observation. Les premières réunions seront consacrées aux travaux des doctorants qui commencent leur thèse cette année dans ce cadre.

20 March 2019: Seminar AI in LOCEAN

Future seminar in LOCEAN (open to everyone) is directly related to AI & Climate:

Redouane Lguensat (Université Grenoble Alpes, IGE, Grenoble): Inferring hidden equations using Quasi-Geostrophic theory guided machine learning

mer., 20 mars, 11:00 – 12:00
LATMOS, grande salle du 4ème, Tour 45-46, pièce 411

Abstract:

Inferring hidden equations governing dynamical systems from data has always been one of the challenging problems in the interplay between physics and data science. It was just a matter of time before the recent advancements in machine learning and in computational capacities come in hand and spark off a series of works dedicated to address this problem. In this work we present a Quasi-Geostrophic numerical model coded using differentiable operators thus permitting the use of automatic differentiation libraries (e.g. Tensorflow). This makes the model flexible and suited for parameter optimization, especially using neural networks. We illustrate the relevance of the proposed architecture through an example of a regression problem where we show how can we obtain the parameters of the potential vorticity equation using only consecutive scenes of Sea Surface Height. This can be of interest for finding the closest QG-like approximation to a given ocean simulation model or help exploring the effect of adding new operators in the potential vorticity equation. The code we provide is suitable for GPU implementation and therefore can allow for faster execution and profit from the quick advancements in GPU development. We expect that the directions of research we suggest will help in bringing more interest in applied machine learning to ocean numerical modeling.