Physics-Informed Neural Operators (PINO) pour la tomographie ultra-rapide : vers une IA fondamentale et généralisable pour la mécanique des fluides industrielle

 

Institution d’accueil

fluiidd est une startup deep-tech issue du CEA développant des capteurs tomographiques multiphysiques de nouvelle génération pour la surveillance en temps réel des écoulements industriels. En embarquant l’IA directement dans le matériel de mesure, fluiidd permet de « voir » à l’intérieur de systèmes opaques et d’anticiper les défaillances avant qu’elles ne surviennent — un levier clé pour une industrie plus sûre, plus performante et bas carbone.

La thèse sera réalisée chez fluiidd (La Ciotat, France), en collaboration étroite avec le CEA et le CNRS, et pleinement intégrée au réseau doctoral COMBINE.

À propos de COMBINE

Ce poste de doctorat s’inscrit dans le cadre du réseau doctoral Marie Skłodowska-Curie COMBINE – Coupled Problems for Decarbonization in Industry and Power Generation, qui réunit 17 institutions académiques de premier plan et 14 partenaires industriels en Europe. COMBINE adresse des défis fondamentaux en interaction fluide–structure, modélisation numérique avancée, techniques expérimentales, développement de capteurs, méthodes data-driven et intelligence artificielle pour des applications industrielles en énergie, procédés et matériaux.

Les doctorants COMBINE bénéficient d’un environnement de formation hautement international, interdisciplinaire et intersectoriel, comprenant :

• Une co-supervision académique et industrielle par des experts reconnus
• Des formations scientifiques et transférables à l’échelle du réseau
• Des secondments obligatoires chez des partenaires académiques et industriels
• D’excellentes conditions de travail et un financement MSCA compétitif

Plus d’informations sur le réseau : https://euraxess.ec.europa.eu/jobs/401249

 

1. Contexte et enjeux

Titre : Physics-Informed Neural Operators (PINO) pour la tomographie ultra-rapide : vers une IA fondamentale et généralisable pour la mécanique des fluides industrielle

La tomographie industrielle génère des signaux électriques et vibratoires haute fréquence encodant la dynamique d’interactions complexes fluide–structure. Cependant, les approches actuelles fondées sur l’IA restent largement empiriques, spécifiques aux systèmes et faiblement contraintes par la physique, ce qui limite leur robustesse, leur interprétabilité et leur capacité de généralisation à différentes configurations industrielles.

L’objectif de cette thèse est de développer des réseaux d’opérateurs neuronaux informés par la physique (PINO) intégrant directement les équations gouvernantes et invariants de la mécanique des fluides dans les architectures d’apprentissage, afin de permettre une reconstruction et une prédiction temps réel, généralisables et physiquement cohérentes d’écoulements industriels multiphasiques à partir de mesures indirectes telles que la tomographie d’impédance électrique (EIT) et l’accélérométrie.

Ce projet vise à établir une nouvelle classe de modèles inverses fondamentaux fondés sur l’apprentissage d’opérateurs, reliant capteurs, physique et IA, et constituant le cœur algorithmique de l’instrumentation industrielle de nouvelle génération.

Pour cette mission, vous rejoindrez une équipe agile composée de :

• Un doctorant en IA/Commande : spécialisé en détection d’anomalies dans les séries temporelles
• Un ingénieur MLOps : responsable du déploiement et de la mise en production des modèles
• Un ingénieur logiciel embarqué : garant de l’acquisition de données haute fréquence

Votre rôle : être le « cerveau physique » de l’équipe. Vous transformerez des signaux électriques et vibratoires bruts en grandeurs physiques invariantes.

2. Missions scientifiques et objectifs

Le doctorant ou la doctorante se concentrera sur le problème inverse de reconstruction du mouvement des solides et des états d’écoulement à partir de données multi-capteurs, avec un accent particulier sur l’apprentissage informé par la physique et la généralisation entre géométries et régimes opératoires.

Axes principaux :

• Physics-Informed Neural Operators (PINO)
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.

• Développement d’observateurs d’état
Estimer position, modes vibratoires et charges dynamiques d’objets à partir de signaux EIT et d’accélérométrie en conditions turbulentes, cavitantes ou multiphasiques.

• Représentations sans dimension et invariants physiques
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.

• Validation expérimentale et phénoménologique
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.

• Déploiement dans des systèmes IA embarqués
Contribuer à des pipelines IA temps réel embarqués en environnement startup, reliant théorie, expérimentation et industrialisation.

3. Environnement de formation et secondments

Le doctorant bénéficiera pleinement du programme de formation du réseau doctoral Marie Skłodowska-Curie COMBINE, comprenant :

• Une co-supervision académique–industrielle par fluiidd, le CEA et le CNRS
• Des écoles doctorales, ateliers et formations aux compétences transférables à l’échelle du réseau
• Des secondments obligatoires chez des partenaires académiques et industriels COMBINE en Europe, permettant une exposition à des expertises complémentaires en physique computationnelle, mécanique expérimentale des fluides et instrumentation industrielle
• L’accès à des plateformes expérimentales de pointe, à des ressources HPC et à des jeux de données industriels

Cette formation intersectorielle vise à former des chercheurs capables de relier science fondamentale, IA et innovation industrielle.

Encadrement académique

• Guillaume Ricciardi (PhD, HDR), CEA
• Cédric Bellis (PhD, HDR), CNRS

Encadrement industriel

• Mathieu Darnajou (PhD), CEO, fluiidd

4. Profil du candidat

Nous recherchons un(e) candidat(e) excellent(e) et fortement motivé(e), intéressé(e) par l’IA informée par la physique, les problèmes inverses et l’instrumentation industrielle.

Compétences requises :

• Formation : Master en physique, mathématiques appliquées, ingénierie ou domaine proche
• Physique : Solides bases en mécanique des fluides, électromagnétisme et/ou modélisation multiphysique
• Mathématiques & IA : Analyse numérique, problèmes inverses, réseaux neuronaux, scientific machine learning
• Programmation : Python (calcul scientifique, ML), idéalement C++
• Langues : Anglais courant (langue de travail COMBINE) ; le français est un plus

5. Conditions d’éligibilité (règles MSCA obligatoires)

Les candidats doivent satisfaire toutes les conditions d’éligibilité des réseaux doctoraux Marie Skłodowska-Curie :

• Statut doctoral : Être dans les quatre premières années de carrière de recherche et ne pas être titulaire d’un doctorat
• Règle de mobilité : Ne pas avoir résidé ou exercé son activité principale (travail, études, etc.) en France plus de 12 mois au cours des 36 mois précédant la date de recrutement (01/09/2026)
• Toutes nationalités éligibles

6. Conditions et avantages

Ce poste offre des conditions de recherche exceptionnelles au sein de l’écosystème deep-tech français :

• 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

Pourquoi postuler ?

Vous ne rédigerez pas seulement une thèse — vous contribuerez à bâtir le cœur scientifique et algorithmique d’une startup deep-tech transformant la mesure industrielle et la décarbonation. Ce projet vous place à la frontière de l’IA informée par la physique, des problèmes inverses et du déploiement réel, tout en bénéficiant du prestige, de l’excellence de formation et de la mobilité internationale d’un réseau doctoral Marie Skłodowska-Curie.

Pour + d’infos :

-https://cordis.europa.eu/project/id/101227547

-https://fluiidd.com/

Postulez en ligne :

EN : https://careers.fluiidd.com/en-GB/jobs/7068119-phd-position-in-fluid-dynamics-pino-deep-tech-startup

FR : https://careers.fluiidd.com/jobs/7067645-poste-de-doctorat-en-mecanique-des-fluides-pino-start-up-deep-tech

EU funding

Ce poste de doctorat s’inscrit dans le cadre du réseau doctoral Marie Skłodowska-Curie COMBINE – Coupled Problems for Decarbonization in Industry and Power Generation, qui réunit 17 institutions académiques de premier plan et 14 partenaires industriels en Europe.

fluiidd est une startup deep-tech issue du CEA développant des capteurs tomographiques multiphysiques de nouvelle génération pour la surveillance en temps réel des écoulements industriels. En embarquant l’IA directement dans le matériel de mesure, fluiidd permet de « voir » à l’intérieur de systèmes opaques et d’anticiper les défaillances avant qu’elles ne surviennent — un levier clé pour une industrie plus sûre, plus performante et bas carbone.

La thèse sera réalisée chez fluiidd (La Ciotat, France), en collaboration étroite avec le CEA et le CNRS, et pleinement intégrée au réseau doctoral COMBINE.

Doctorat en mécanique des fluides & PINO

France

Nous recherchons un(e) candidat(e) excellent(e) et fortement motivé(e), intéressé(e) par l’IA informée par la physique, les problèmes inverses et l’instrumentation industrielle.

Compétences requises :

• Formation : Master en physique, mathématiques appliquées, ingénierie ou domaine proche
• Physique : Solides bases en mécanique des fluides, électromagnétisme et/ou modélisation multiphysique
• Mathématiques & IA : Analyse numérique, problèmes inverses, réseaux neuronaux, scientific machine learning
• Programmation : Python (calcul scientifique, ML), idéalement C++
• Langues : Anglais courant (langue de travail COMBINE) ; le français est un plus