M2 Internship/Stage de M2 - Estimation of spatio-temporal models by Graph Neural Networks
All the details are in the joint pdf.
Stage
Apprentissage de modèle génératif de scènes 3D de grandes cultures
Afin d’optimiser les traitements dans l’agriculture, et donc de minimiser leur impact, il est
essentiel d’identifier précisément les plantes à cibler. Or, il existe une grande variété de cultures, de
stades de développements, et de conditions, certaines en lien avec le changement climatique. De
plus, les conditions de prise de vue elles-mêmes peuvent être variables selon le type de capteurs,
l’angle de prise de vue, la luminosité, etc.
Le projet de recherche dans lequel s’inscrit ce stage a pour objectif de permettre de comparer des
Stage/Thèse en modélisation statistique des sols : système d’inférence spatiale des sols avec incertitude quantifiée
In the framework of the EU-project DeepHorizon (https://cordis.europa.eu/project/id/101156701), we are looking for an excellent PhD candidate to develop statistical methods supporting
Résolution de problèmes de viabilité multi-agents : exploration de modèles et recherche opérationnelle
Le laboratoire Mathématiques et d’Informatique Appliquée MIA-PS d’INRAE propose un stage de M2 de 4 à 6 mois d'avril à fin août/septembre 2025, sur la mise au point de méthodes de résolution de problèmes de viabilité dans un cadre multi-agent.
Stage complétion de définition d'ontologie en utilisant les LLM
Ce stage vise à enrichir l’ontologie TransformON, développée par INRAE pour structurer les connaissances sur les itinéraires de production d’aliments et de bioproduits. En s’appuyant sur des techniques de deep learning et des grands modèles de langage (LLM), il s’agira de combler les lacunes en définissant automatiquement des concepts manquants, améliorant ainsi l’interopérabilité et la réutilisation des données scientifiques.
Stage M2 - Inférence de modèles spatio-temporels par réseaux de neurones sur graphes
Stage de M2 (avec possible suite en Thèse) sur l'inférence de modèles statistiques spatio-temporels par réseaux de neurones sur graphes.
Application en environnement/climat/geosciences.
Laboratoires d'accueil : MIA Paris-Saclay (AgroParisTech/INRAE, Université Paris-Saclay) et Équipe Géostatistique, Centre de Géosciences (Mines Paris, PSL).
Tous les détails sont disponibles dans le pdf attaché.
Visualization for a Digital Twin in Sustainable Winemaking
France, the second-largest wine producer in the world, is adapting to climate change and societal pressures. Winemaking fermentation requires low temperatures, making it energy-intensive. To address this, INRAe's digital twin1 project (DigitWine) uses state-of-the-art sensors to monitor fermentation and aroma compounds.
Stage MS-PINN: Mechanistic-Statistical Modeling with Physics-Informed Neural Networks
Les dates sont flexibles, début à partir de février. Durée : 5 à 6 mois
Télécharger le PDF ci-dessous pour une description détaillée du sujet.
Please download the PDF below for the detailed description.