Ce projet de thèse s’inscrit dans le domaine du contrôle non destructif (CND), un ensemble de techniques qui permettent de détecter des défauts dans des structures (câbles, matériaux, composants) sans les endommager. Le diagnostic repose sur des mesures physiques (réflectométrie, ultrasons…), dont l’interprétation nécessite de résoudre des problèmes inverses souvent mal posés.

Les approches classiques par algorithmes itératifs sont précises mais coûteuses en calcul et difficiles à embarquer pour un traitement proche du capteur. Le travail proposé vise à dépasser ces limites en explorant des approches de deep learning informé par la physique notamment :

* des réseaux neuronaux inspirés des algorithmes classiques (méthode d’unrolling),
* des PINNs (Physics-Informed Neural Networks) qui intègrent directement les lois physiques dans l’apprentissage,
* des modèles différentiables simulant la mesure (réflectométrie notamment).

L’objectif est de développer des modèles profonds interprétables dans un cadre modulaire pour le CND, capables de fonctionner sur des systèmes embarqués. Le cas d’étude principal concernera les câbles électriques (TDR/FDR), avec une ouverture possible vers d'autres modalités comme les ultrasons. Cette thèse combine optimisation, apprentissage et modélisation physique, et s'adresse à un profil motivé par l’interdisciplinarité entre sciences de l’ingénieur, mathématiques appliquées et intelligence artificielle.