Thèse Méthodes d'Apprentissage Automatique Informées par des Modèles Mécanistes pour la Prévision des Valeurs Nutritionnelles et des Performances Animales en Contextes Variés H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Informatique et sciences du numérique École doctorale : Sciences et Technologies de l'Information et de la Communication Laboratoire de recherche : MIA-Paris-Saclay - Mathématiques et Informatique Appliquées Direction de la thèse : Vincent GUIGUE ORCID 0000000214505566 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-07-31T23:59:59 L'alimentation animale repose aujourd'hui sur des modèles mécanistes qui décrivent d'une part les valeurs nutritives des aliments et d'autre part, les processus biologiques de digestion, de métabolisme et de production. Bien que ces modèles constituent des références reconnues, leur capacité à prendre en compte la diversité croissante des ressources alimentaires, des caractéristiques des animaux, des pratiques d'élevage et des objectifs de durabilité demeure limitée.L'objectif de cette thèse est de développer de nouvelles approches d'apprentissage automatique informées par des modèles mécanistes afin d'améliorer l'estimation des valeurs nutritionnelles des aliments et la prédiction des performances animales dans des systèmes d'élevage variés. L'alimentation animale repose aujourd'hui sur des modèles mécanistes qui décrivent d'une part les valeurs nutritives des aliments et d'autre part, les processus biologiques de digestion, de métabolisme et de production. Bien que ces modèles constituent des références reconnues, leur capacité à prendre en compte la diversité croissante des ressources alimentaires, des caractéristiques des animaux, des pratiques d'élevage et des objectifs de durabilité demeure limitée. l'intégration de connaissances biologiques dans les modèles d'apprentissage à travers différents moyen; en particulier des architectures hybrides mécanistes/données; la fusion de données hétérogènes (données numériques, textuelles et temporelles) et le développement de modèles génératifs et multimodaux capables de prédire les performances animales dans des contextes nouveaux ou peu documentés ;la quantification des incertitudes et l'évaluation de la robustesse des modèles et le développement de méthodes explicables permettant l'interaction avec les experts et l'amélioration continue des modèles.

Informaticien maitrisant la programmation et les sciences des données. Doit justifier d'une expérience sur les architectures de deep-learning et être à l'aise avec l'état de l'art en séries temporelles.

• Programmation
• Machine learning