Intégralité du titre du poste à pourvoir : chercheur(euse) (postdoctoral(e)) en apprentissage automatique appliqué à la détermination des mécanismes focaux. Présentation de la structure : Vous travaillerez au sein du laboratoire de recherche ISTerre. ISTerre est une UMR composée de -300 personnes. Elle fait partie de l'Observatoire des Sciences de l'Univers (OSU) de l'Université Grenoble Alpes (UGA), qui a la responsabilité nationale de nombreux services d'observation nationaux. Ce poste est financé par le MIAI Grenoble Alpes (Institut Multidisciplinaire en Intelligence Artificielle) qui a pour but de mener des recherches en intelligence artificielle au plus haut niveau. https://www.isterre.fr/ Missions principales : Vous serez chargé(e) de construire un machine learning P-wave picker et de déterminer la polarité du premier mouvement (vers le haut ou vers le bas). Ensuite, le sélecteur sera testé sur des données étiquetées et appliqué à tous les événements d'un catalogue existant, en utilisant le catalogue chilien obtenu dans le cadre de l'ERC DEEP-trigger. L'objectif final est de déterminer les mécanismes focaux pour les tremblements de terre de petite et moyenne magnitude (approximativement dans l'intervalle 2 < magnitude < 5), en appliquant PyHASH à partir des polarités mesurées. Le modèle sera entraîné sur un ensemble de données de centaines de milliers de mécanismes focaux triés sur le volet dans SeisBench, couvrant la Californie, l'Italie et le Nord Ouest du Pacifique. Ross, Z. E., Meier, M. A., & Hauksson, E. (2018). P wave arrival picking and first motion polarity determination with deep learning. Journal of Geophysical Research: Solid Earth, 123(6), 5120-5129. Activités principales : - Préparation des données, du développement du modèle, de la mise en œuvre et de l'interprétation prévus dans le projet. - Collecte de données, développement de modèles et analyse d'une méthode d'apprentissage par transfert pour la sélection de l'arrivée de l'onde P et la polarité du premier mouvement. - Développement et évaluation d'un modèle basé sur l'apprentissage profond pour la détermination de la polarité. Le grand nombre de tremblements de terre dans l'ensemble de données d'entraînement devrait permettre au modèle de déterminer avec une grande précision les polarités et la sélection et de constituer une base solide pour l'apprentissage par transfert. - Application de la méthode développée. Tout d'abord, la méthode sera utilisée pour déterminer les mécanismes focaux des petits et grands tremblements de terre, dans une gamme de magnitude attendue de 2 à 5, ce qui permettra d'obtenir des informations sur la structure et la dynamique de la zone de subduction chilienne. - Rédaction d'un premier article, afin de présenter la méthode et de partager le catalogue des mécanismes focaux. - Rédaction d'un deuxième article présentant l'inversion du champ de contrainte de la zone de subduction. Doctorat en mathématiques appliquées / sciences informatiques avec un goût pour les études géophysiques, ou en sciences de la terre avec de solides compétences numériques, et doit être spécialisé dans l'apprentissage automatique appliqué au traitement des signaux ou à la sismologie.