SAFRAN
48.7429509,2.0874197
Contexte
Les modèles de substitution basés sur le deep learning, tels que les GNN, les transformers sur maillages et les modèles à ordre réduit, sont de plus en plus utilisés pour accélérer les simulations physiques, mais nécessitent un entraînement et une ingénierie spécifiques à chaque tâche. Récemment, des modèles fondation pour données tabulaires (par exemple TabPFN) ont été proposés comme modèles sans entraînement, capables de s'adapter à de nouvelles tâches uniquement via le conditionnement. Leur pertinence pour les données issues de simulations physiques reste largement inexplorée.
SafranTech a déjà benchmarké plusieurs approches de modélisation de substitution dans le cadre du framework PLAID (https://huggingface.co/PLAIDcompetitions), fournissant une base de référence solide pour la comparaison.
Ce stage s'inscrit dans la continuité d'un premier stage débutant en avril 2026.
Objectifs
Le stage vise à :
- Évaluer si les modèles fondation pour données...
|
Profil recherché
- Formation en simulations numériques / mathématiques appliquées.
- Expérience de base en réseaux de neurones et programmation différentiable avec PyTorch.
- Maîtrise de la programmation en Python.
- Capacité à travailler de manière autonome et en collaboration dans un environnement de recherche.
|
|
| Durée (Mois): |
6
|