Les simulations numériques fluides sont centrales pour comprendre la physique des disques protoplanétaires, berceau des planètes. Un défi est de prendre en compte de manière cohérente les multiples échelles de taille en jeu pour former des planètes, ce qui nécessite des résolutions spatiales très importantes. Une solution est de résoudre les équations physiques aux grandes échelles et de corriger les erreurs dues à l'absence des petites échelles par des méthodes d'intelligence artificielle. L'objectif du stage est de développer une approche de correction fondée uniquement sur les données d’entrainement, sans utiliser le code de résolution durant l'apprentissage. La première étape consistera à construire une base d'apprentissage à partir de simulations de référence qu'on pourra enrichir par les méthodes d'augmentation, en exploitant les symétries de l'écoulement. Pour chaque état, on calculera l'erreur du solveur physique. Le problème se ramène ainsi à une régression supervisée. Cela ouvrira vers des architectures plus récentes, tels que les réseaux de neurones récurrents.