Dans le cadre de la propagation des incertitudes en simulation numérique, des modèles mathématiques de substitution, appelés métamodèles ou émulateurs, sont utilisés pour remplacer un modèle physico-numérique par un modèle statistique (ou d'apprentissage). Ce métamodèle est entraîné sur un ensemble de simulations disponibles et s'appuie le plus souvent sur des algorithmes d'apprentissage automatique (machine learning). Parmi les méthodes usuelles, la régression par processus gaussien (PG) a suscité un intérêt particulier car elle propose à la fois une prédiction et une incertitude sur le résultat, ce qui est très intéressant dans le contexte des études de sûreté ou des évaluations de risques. Cependant, ce métamodèle PG peut présenter certaines limites, notamment dans le cas de modèles très irréguliers. L'objectif du post-doctorat sera d'étudier l'applicabilité et le potentiel des approches d'apprentissage profond basées sur la théorie bayésienne pour repousser ces limites. Le travail sera axé sur les réseaux de neurones bayésiens et les PG profonds et consistera à étudier leur applicabilité sur des échantillons de taille moyenne, à évaluer leur avantage par rapport au simple PG et à évaluer la fiabilité de l'incertitude associée à leurs prédictions.