Stage M2 : Apprentissage par renforcement pour la simulation de développement du système racinaire

31320 Castanet-Tolosan

Retour à la liste des résultats

Présentation INRAE

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes.

Environnement de travail, missions et activités

Le stage se déroulera au sein de l’unité MIAT (Mathématiques et Informatique Appliquées de Toulouse) de l’INRAE, située à Toulouse (24, chemin de Borde Rouge, 31320 Auzeville-Tolosane). Le Centre INRAE est facilement accessible en transports en commun (ou en vélo), dispose d’un restaurant d’entreprise, et d’une association et propose de nombreuses activités sportives et autres.

Le stage sera encadré par Meritxell Vinyals, Anne Goelzer, Léo Saulières (MIAT, INRAE, Toulouse) et Sandrine Ruffel (IPSIM, INRAE, Montpellier) dont les sujets de recherche gravitent autour de l’apprentissage par renforcement, la modélisation déterministe, la biologie des systèmes et la biologie végétale.

L’amélioration de l’efficacité  d’utilisation de  l’azote  par les  cultures constitue  un enjeu  agronomique, économique et environnemental majeur. La dépendance aux engrais azotés représente en effet un coût important pour les exploitations et contribue aux émissions de gaz à effet de serre ainsi qu'aux pertes d’azote vers les sols, les eaux et l’atmosphère. Dans ce contexte, améliorer la capacité des plantes à exploiter les ressources azotées disponibles constitue un levier important pour maintenir les performances des cultures tout en réduisant les apports d’engrais. L’architecture du système racinaire joue  un rôle central dans cette capacité, en déterminant la manière dont la plante explore le sol et accède aux ressources. Or, le développement racinaire est un processus dynamique et plastique, qui s'adapte notamment à la distribution spatiale et temporelle du nitrate. La plante doit ainsi arbitrer entre l’exploration de nouvelles zones du sol et l’exploitation des ressources localement disponibles. Comprendre et simuler ces stratégies d’adaptation constitue donc un enjeu scientifique important pour mieux caractériser le développement racinaire et identifier des stratégies permettant une acquisition plus efficace de l’azote.

Le stage propose d'étudier le développement du  système  racinaire comme  un problème  de décision séquentielle partiellement observable (POMDP), en mobilisant l’apprentissage par renforcement (AR) [SB18]. Le système racinaire sera considéré comme un agent interagissant avec un environnement correspondant au sol, et  prenant  des décisions de  développement en  fonction de  son état  et  des ressources  disponibles. Le problème sera formalisé et implémenté dans un environnement de simulation reposant sur l’interface Gym- nasium  [TKB+26],  permettant de  représenter la  croissance du  système  racinaire ainsi  que la  distribution spatiale des nitrates dans le sol. L’objectif sera notamment de déterminer dans quelle mesure l’AR permet de simuler l'adaptation de l’architecture racinaire à des sols présentant différentes distributions de nitrate. Le  projet s’appuiera sur un modèle déterministe d’allocation  des ressources  afin de  définir une fonction de  récompense représentant  le compromis  entre  le bénéfice lié à l’acquisition de nitrate et  le coût de la croissance racinaire  [GRC+24]. Un modèle de  ‘deep reinforcement  learning’, basé  par exemple sur PPO [SWD+17], sera développé et entraîné dans un environnement simulé.

Le modèle sera ensuite évalué à partir de données expérimentales de développement racinaire d’Arabidopsis, disponibles au format RSML et acquises toutes les six heures. Les architectures racinaires simulées seront  comparées  aux observations expérimentales selon plusieurs  caractéristiques, notamment le  nombre, la longueur et la ramification des racines.

A l’issue du  stage, le  modèle  pourra  permettre de générer des architectures  racinaires simulées  dans différentes configurations de sol et de fournir ainsi des données complémentaires aux observations expérimentales pour explorer différentes hypothèses sur les stratégies d’adaptation du système racinaire.

Objectifs du stage :

  • Formaliser  le  développement racinaire  comme un  problème  de  décision séquentielle partiellement observable (POMDP).
  • Développer un  environnement  de  simulation  reposant  sur  l’interface  Gymnasium  représentant  la croissance racinaire et la distribution spatiale du nitrate.
  • Implémenter et entraîner des algorithmes d’apprentissage par renforcement.
  • Comparer les stratégies apprises à des stratégies de référence, notamment aléatoires et heuristiques.
  • Valider les architectures simulées sur des données expérimentales RSML d’Arabidopsis.

Références :

[GRC+24] Anne Goelzer, Loïc Rajjou, Fabien Chardon, Olivier Loudet, and Vincent Fromion. Resource allocation modeling for autonomous predic tion of plant cell phenotypes. Metabolic Engineering, 83 :86–101, 2024.

[SB18]        Richard S. Sutton and Andrew G. Barto. Reinforcement learning - an introduction, 2nd Edition. MIT Press, 2018.

[SWD+17] John Schulman, Filip Wolski, Prafulla Dhariwal, Alec Radford, and Oleg Klimov. Proximal policy optimization algorithms. arXiv preprint arXiv :1707.06347, 2017.

[TKB+26]  Mark Towers, Ariel Kwiatkowski, John Balis, Gianluca De Cola, Tristan Deleu, Manuel Goul˜ao, Kallinteris Andreas, Markus Krimmel, Arjun Kg, Rodrigo Perez-Vicente, et al. Gymnasium :  A standard interface for reinforcement learning environments. Advances in Neural Information Processing Systems, 38, 2026. 

Formations et compétences recherchées

Master/Ingénieur (Bac+5)

Profil de candidat souhaité : 

— Connaissances en apprentissage par renforcement.
— Expérience en programmation Python.
— Autonomie et capacité de travail en équipe, de rédaction, de synthèse.
— Des compétences en développement collaboratif (utilisation de GIT, tests unitaires, documentation...) sont un plus, même si elles pourront être acquises pendant le stage.

Votre qualité de vie à INRAE

En rejoignant INRAE, vous bénéficiez (selon le type de contrat et sa durée) :

- jusqu'à 30 jours de congés + 15 RTT par an (pour un temps plein)
- de dispositifs de développement des compétences : formation, conseil en orientation professionnelle ;
- de la prise en charge à 50 % de votre cotisation à la complémentaire santé collective ;
- d'un soutien à la parentalité : CESU garde d'enfants, prestations pour les loisirs ;
- d'un accompagnement social : conseil et écoute, aides et prêts sociaux ;
- de prestations vacances et loisirs : chèque-vacances, hébergements à tarif préférentiel ;
- d'activités sportives et culturelles ;
- d'une restauration collective.

Modalités pour postuler

J'envoie mon CV et ma lettre de motivation

Les personnes accueillies à INRAE, établissement public de recherche, sont soumises aux dispositions du Code de la fonction publique notamment en ce qui concerne l’obligation de neutralité et le respect du principe de laïcité. A ce titre, dans l’exercice de leurs fonctions, qu’elles soient ou non au contact du public, elles ne doivent pas manifester leurs convictions, par leur comportement ou leur tenue, qu’elles soient religieuses, philosophiques ou politiques. > En savoir plus : site fonction publique.gouv.fr

Référence de l'offre

  • Contrat : Stage
  • Durée : 5 à 6 mois (début mars ou avril)
  • Début du contrat : 01/03/2027
  • Rémunération : Tarif en vigueur : 4,50€/h
  • N° de l'offre : OT-31049
  • Date limite : 16/12/2026

Contact

Venir en France

Notre guide des accueils internationaux