Stage M2 : Modélisation statistique pour la dynamique physiologique des plantes via des approches d'apprentissage profond

L'objectif du projet est de développer une stratégie d'inférence alternative basée sur les approches récemment développées pour l'estimation des paramètres en apprentissage profond (différentiation automatique, batch gradient descent) pour ajuster des modèles à effets mixtes non linéaires de pointe pour la dynamique physiologique. À cette fin, l'inférence sera présentée comme un problème d'optimisation où la cible est un réseau neuronal, et où la fonction de perte sera choisie en fonction de la nature de la caractéristique physiologique (continue ou discrète). La méthode sera mise en œuvre à l'aide de bibliothèques dédiées au calcul numérique haute performance et à l'optimisation en Python (PyTorch, Jax) ou en R (torch).
Les modèles seront appliqués aux données collectées dans le projet ANR G2WAS. Les données comprennent 250 variétés de raisin qui ont été phénotypées de manière dynamique pendant 3 semaines pour la production de biomasse végétative par imagerie à la plateforme PhenoArch. Chaque variété a subi 3 scénarios hydriques différents (de "bien arrosé" à "stress hydrique sévère"). Un ensemble d'environ 60 000 marqueurs génétiques sera utilisé comme variables explicatives dans le modèle statistique pour expliquer et prédire la dynamique de la physiologie des plantes.