Safran - CDD/Stage/Alternance
48.7416704,2.0863211
Les simulateurs physiques sont essentiels pour concevoir, analyser et maintenir les systèmes aéronautiques. Ils permettent d'étudier des phénomènes complexes dans de nombreuses conditions de fonctionnement, mais leur coût de calcul devient un frein lorsqu'ils doivent être exécutés de façon répétée, par exemple pour l'optimisation, les études paramétriques, la quantification des incertitudes ou la mise en oeuvre de jumeaux numériques. Les modèles de substitution fondés sur l'apprentissage automatique constituent une solution prometteuse pour reproduire rapidement le comportement de ces simulateurs. Toutefois, des modèles uniquement guidés par les données peuvent manquer de précision et de fiabilité lorsqu'ils sont appliqués à des configurations nouvelles, à des domaines de fonctionnement peu représentés ou à des situations dans lesquelles les données d'apprentissage sont limitées.
La mission consistera à étudier et développer des approches hybrides de surrogate modeling...
|
Vous préparez un diplôme de niveau Bac +5 (école d'ingénieurs ou master recherche) en intelligence artificielle, mathématiques appliquées, informatique scientifique ou dans une discipline proche. Vous disposez de bonnes bases en apprentissage automatique et en deep learning. Vous maîtrisez la programmation en Python et avez idéalement déjà utilisé PyTorch. Des connaissances en modèles de substitution, méthodes physics-informed, Neural Operators ou IA générative constitueront un atout, sans être indispensables. Curieux·se, autonome et rigoureux·se, vous savez analyser des articles scientifiques, concevoir des protocoles expérimentaux et interpréter de manière critique les résultats obtenus. Un niveau d'anglais permettant la lecture de publications scientifiques et une communication technique courante est attendu.
|
|
| Durée (Mois): |
6
|