Physics-Informed Machine Learning for Acoustic Holography / Holographie acoustique basée sur l’[...]

Physics-Informed Machine Learning for Acoustic Holography // Holographie acoustique basée sur l’apprentissage informé par la physique Réf ABG-134977 Contrat doctoral – Sujet de Thèse Lieu de travail: Le Mans - Pays de la Loire - France Intitulé du sujet: Physics-Informed Machine Learning for Acoustic Holography // Holographie acoustique basée sur l’apprentissage informé par la physique Champs scientifiques

Sciences de l’ingénieur

Mots clés: acoustics, artificial intelligence, holography, signal processing, acoustique, holographie, intelligence artificielle, traitement du signal Description du sujet PhD offer (starting date: Fall 2026) Context and Objectives: Near-field acoustic holography is an imaging technique based on the measurement of the acoustic field using a microphone array. It enables the reconstruction of acoustic quantities (pressure, particle velocity, intensity) in the vicinity of sound sources, providing a precise spatial and frequency-domain representation of acoustic radiation. Introduced by Williams, acoustic holography has gained widespread adoption due to its advantages: no assumptions on the nature of the sources, sub-half-wavelength spatial resolution, access to multiple field components, and adaptability to stationary and non-stationary configurations. Reconstructing the acoustic field from near-field measurements is an inverse problem regularly addressed with regularization strategies (Tikhonov, Bayesian, compressive sensing, sparse regularization). With Physics-Informed Neural Networks (PINNs), new approaches can address the inverse problem of acoustic field reconstruction. Recent studies have explored this direction, including methods to estimate room sound fields from limited impulse responses, PINN-based acoustic wave propagation with obstacles, and physics-informed forward simulations using Kirchhoff–Helmholtz constraints. Extensions combining PINNs with sparse field discretization for planar holography have been proposed. PINNs and Fourier Neural Operators (FNOs) offer strong candidates to overcome limitations of conventional holography and to potentially achieve time-dependent formulations for non-stationary fields. Objectives:

1. Explore and formalize the use of PINNs for acoustic holography: focus on planar holography with planar microphone arrays to model the acoustic field by embedding governing equations into learning. 2. Experimentation and validation on real-world cases: experimental validation with laboratory microphone arrays and data acquisition, complemented by simulations; compare PINN-based models with classical holography techniques. 3. Extension to non-stationary acoustic fields: develop a time-dependent formulation for non-stationary sources and investigate real-time holography feasibility. 4. Development and evaluation of an FNO-based approach: learn the inverse operator from near-field measurements to source-level fields and compare with PINN results.

Such a PhD would contribute to an innovative diagnostic tool for systems whose emitted sounds vary with their operational state and would foster expertise in physics-informed learning within the laboratory. Profil du candidat We are looking for a student enrolled in a master’s degree in acoustics or related fields, with an interest in acoustic imaging, artificial intelligence and signal processing. The student will develop skills in both modeling and experimentation. Lieu et environnement: The student will conduct research at the Laboratory of Acoustics of Le Mans University (LAUM, Le Mans, France). Contacts

Kais Hassan (kais.hassan at univ-lemans.fr) Jean-Hugh Thomas (jean-hugh.thomas at univ-lemans.fr)

Offre de doctorat (début : automne 2026) Descriptif du sujet L’holographie acoustique de champ proche est une technique d’imagerie reposant sur la mesure du champ acoustique à l’aide d’une antenne de microphones. Elle permet la reconstruction des composantes acoustiques (pression, vitesse, intensité) au voisinage des sources sonores. Introduite par Williams, l’holographie acoustique s’est imposée grâce à ses avantages: absence d’hypothèse sur la nature des sources, résolution spatiale sous la demi-longueur d’onde, accès aux différentes composantes du champ, et adaptabilité à des configurations stationnaires ou non stationnaires. La reconstruction du champ acoustique à partir de mesures dans le champ proche est un problème inverse largement étudié avec des stratégies de régularisation (Tikhonov, approche bayésienne, échantillonnage compressé et régularisation parcimonieuse). Avec les PINN, de nouvelles approches peuvent traiter ce problème inverse. Des travaux récents explorent des PINN pour estimer et reconstruire des champs sonores et intégrer la physique via des contraintes. Des extensions combinant PINN et discrétisation parcimonieuse, ou l’utilisation d’opérateurs Fourier, ont été proposées.

reconstruction continue du champ sans maillage discret reconstitution depuis des configurations de mesure irrégulières résolution du problème inverse avec complexité réduite extension au-delà de la zone de mesure

La thèse s’articulera autour des objectifs présentés ci-dessus et prévoit des validations expérimentales et des évaluations comparatives. Prise de fonction 01/10/2026 Nature du financement Contrat doctoral Précisions sur le financement Endowment of a French institution with a research mission Présentation établissement et labo d'accueil LAUM UMR CNRS 6613 Created in 1981, the Acoustics Laboratory of Le Mans University (LAUM) is a Joint Research Unit (UMR 6613) of the CNRS and Le Mans University. Acoustics plays a central role across LAUM activities; collaborators include physics, metrology, electronics, signal processing, and more. Site web https://laum.univ-lemans.fr/fr/index.html Etablissement délivrant le doctorat Le Mans Université Profil du candidat We are looking for a student enrolled in a master’s degree in acoustics or related fields, with an interest for acoustic imaging, AI and signal processing. They will develop skills in both modeling and experimentation. - Nous recherchons un étudiant inscrit en master dans le domaine de l'acoustique ou dans un domaine connexe, ayant un intérêt pour l'imagerie acoustique, l'intelligence artificielle et le traitement du signal. L'étudiant développera des compétences à la fois en modélisation et en expérimentation. Date limite de candidature: 08/04/2026 - #J-18808-Ljbffr