Machine learning et respect des lois de la physique : application à l'imagerie sismique
Auteur / Autrice : | Léo De souza |
Direction : | Hervé Chauris, Elie Hachem |
Type : | Projet de thèse |
Discipline(s) : | Géosciences et géoingénierie |
Date : | Inscription en doctorat le 01/10/2020 |
Etablissement(s) : | Université Paris sciences et lettres |
Ecole(s) doctorale(s) : | École doctorale Géosciences, ressources naturelles et environnement |
Partenaire(s) de recherche : | Laboratoire : Centre de Géosciences |
établissement opérateur d'inscription : Université de Recherche Paris Sciences et Lettres (2015-2019) |
Mots clés
Résumé
Le domaine du machine learning est en pleine expansion, pour faire "parler" les données, après possiblement une phase d'apprentissage. Ces approches, trop souvent des boites noires, oublient les techniques plus traditionnelles, basées sur la physique, qui visent à expliquer et modéliser les phénomènes. L'objectif de la thèse est de développer, dans le contexte de l'imagerie sismique, une approche intermédiaire où les lois de la physique seront (partiellement) respectées. Les principales applications de machine learning en sismique concernent à ce jour des tâches de pré-traitement (débruitage, pointé, ...), mais très peu la partie imagerie (retrouver des paramètres du sous-sol, un problème non-linéaire). L'introduction de la physique dans le Machine Learning pourrait permettre de combler cette lacune.