APPRENTISSAGE - Ingénieur IA - Recomposition de segmentation 3D (F/H)

Au sein de l’organisation R&D de Dassault Systèmes, l’équipe Generative Geometry se consacre au développement de systèmes CAD de nouvelle génération, intégrant l’IA, l’optimisation, la simulation et l’automatisation pour accélérer et améliorer la conception de produits.  Notre équipe explore et développe des technologies innovantes, parfaitement intégrées à l’écosystème existant de Dassault Systèmes, afin d’accélérer la génération de designs créatifs.

Nous travaillons principalement sur des données polyédriques, en complément de la modélisation analytique, pour répondre aux besoins en :

• Rendu graphique
• Accélération des calculs géométriques complexes
• Développement de solutions de modélisation basées sur l’IA

Les données polyédriques proviennent de :

• Objets physiques numérisés (nuages de points, maillages)
• Modèles maillés (tessellés)
• Maillages générés par des contraintes fonctionnelles
• Maillages générés par IA

Les nuages de points et les maillages polyédriques jouent un rôle clé dans la conception générative.  Ce sont les données d’entrée aux processus génératifs.  Ils définissent aussi les contraintes spatiales (conditions aux limites, surfaces de charge et d’interaction) et sont utilisés pour la validation de la précision dimensionnelle et la mesure des écarts.  

Les systèmes d’IA peuvent également générer automatiquement des maillages polyédriques à partir de descriptions de conception ou de photos.

La reconstruction automatique d’une représentation frontalière (BRep) pour édition en tant que modèle CAO nécessite la structuration des données ainsi que l’identification des formes et des caractéristiques clés.

Développer une solution automatisée et robuste pour :

• Segmenter les données polyédriques en régions bien structurées et variétés,
• Reconstruire des cellules topologiques avec des surfaces paramétriques, et
• Appliquer des contraintes de continuité, 
• représente un défi majeur en géométrie algorithmique.

Vos missions

Ce projet vise à faire le lien entre la segmentation 2D et 3D en étudiant comment les techniques de segmentation 2D pilotées par l’IA—appliquées à des vues rendues de modèles 3D—peuvent être recomposées en une segmentation 3D cohérente des données originales.

Bien que des solutions IA matures existent déjà pour la segmentation 2D, leur potentiel pour automatiser la segmentation 3D reste peu exploité. L’objectif est d’adapter et d’étendre ces méthodes 2D pour reconstruire des partitions 3D de haute qualité, en capitalisant sur leur efficacité prouvée dans des espaces de dimension inférieure.