L’Isep propose un nouveau stage de recherche : Réseaux de neurones informés par la physique (PINNs) pour une localisation précise et robuste
Informations générales
Venez nous rejoindre au Laboratoire d’Informatique, Signal&Image, Télécom&Electronique (LISITE) situé à l’Isep, Ecole d’ingénieurs du numérique (Isep), 10 rue de Vanves à Issy-Les-Moulineaux en Ile-de-France.
- Durée : 6mois maximum si le stage est < ou = à 2 mois alors pas de rémunération.
- Conditions du stage : Gratification (seuil légal), remboursement du passe Navigo à hauteur de 75% et tickets restaurants à hauteur de 8.5€/jour
- Encadrement : Dr. Wafa Njima et Dr. Lina Mroueh
Contexte et description
Le projet ANR HERBS (High prEcision and Robust Blind guidance System) vise à développer un système de guidage intelligent pour la navigation autonome et l’assistance à la mobilité, s’appuyant sur une fusion innovante entre modèles physiques et apprentissage automatique. Dans les systèmes de localisation classiques, les performances se dégradent fortement en présence d’incertitudes ou d’environnements complexes (zones urbaines denses, à l’intérieur des bâtiments, perturbations physiques).
Pour dépasser ces limitations, le projet HERBS explore des approches où les lois de la physique gouvernant la propagation des signaux ou des ondes sont explicitement intégrées dans le processus d’apprentissage. Les Physics-Informed Neural Networks (PINNs) [1] constituent une approche particulièrement prometteuse, car elles permettent de contraindre un réseau de neurones à respecter des équations physiques tel que les équations de propagation. Ces modèles hybrides combinent la flexibilité de l’apprentissage profond avec la rigueur des lois physiques, et sont déjà appliqués dans des domaines comme la tomographie et la navigation robotique [2].
Missions
L’objectif du stage est de développer et évaluer une approche de localisation basée sur les PINNs, capable d’exploiter la structure physique du milieu pour améliorer la précision, la robustesse et la résilience de la localisation en conditions dégradées [3-5].
Le ou la stagiaire sera chargé(e) de :
- Réaliser une revue de littérature sur les PINNs et les méthodes hybrides appliquées à la localisation et la propagation d’ondes ;
- Concevoir un modèle PINN adapté au problème de localisation dans le contexte du projet HERBS (en intégrant par exemple les équations de propagation ou les contraintes géométriques de l’environnement) ;
- Entraîner et tester ce modèle sur des jeux de données simulées et expérimentales ;
- Comparer les performances avec des approches d’apprentissage profond classiques.
Profil
Ce stage a une durée minimale de cinq mois, débutant en février/mars 2026.
Les candidatures seront examinées au fur et à mesure de leur réception ; les candidats sont donc encouragés à postuler le plus tôt possible.
Profil recherché :
- Étudiant(e) en M2 ou dernière année d’école d’ingénieur, spécialisé(e) en intelligence artificielle, mathématiques appliquées ou traitement du signal.
- Bonnes compétences en programmation Python (PyTorch ou TensorFlow).
- Intérêt marqué pour la recherche interdisciplinaire entre traitement de signal, propagation et intelligence artificielle.
- Excellentes capacités d’analyse et de résolution de problèmes.
- Bonnes aptitudes en communication et expérience du travail en équipe.
- Bon niveau d’anglais oral et écrit (le français est un atout, mais non obligatoire).
Contact
Les candidats intéressés sont invités à envoyer un CV détaillé, une lettre de motivation d’une page, deux références académiques ainsi que le relevé de notes de M1 à wafa.njima@isep.fr et lina.mroueh@isep.fr.
Pour les candidatures, l’objet de votre courriel devra être : « Internship Application -PINN for localization ».
Bibliographie
[1] RAISSI, Maziar, PERDIKARIS, Paris, et KARNIADAKIS, George E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 2019, vol. 378, p. 686-707.
[2] KARNIADAKIS, G. E., KEVREKIDIS, I. G., LU, L., et al. Physics-informed machine learning: Nature Reviews Physics. (2021). 2021.
[3] SHAHID, Mukaram, DAS, Kunal, USHAQ, Hadia, et al. ReVeal: A Physics-Informed Neural Network for High-Fidelity Radio Environment Mapping. In: 2025 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN). IEEE, 2025. p. 1-10.
[4] FIERAMOSCA, Federica, RAMPA, Vittorio, D’AMICO, Michele, et al. Physics-informed generative neural networks for RF propagation prediction with application to indoor body perception. In: 2024 18th European Conference on Antennas and Propagation (EuCAP). IEEE, 2024. p. 1-5.
[5] LIMMER, Steffen, ALBA, Alberto Martinez, et MICHAILOW, Nicola. Physics-informed neural networks for pathloss prediction. In: 2023 IEEE 33rd International Workshop on Machine Learning for Signal Processing (MLSP). IEEE, 2023. p. 1-5.
