STAGE - Apprentissage d'opérateurs non linéaires avec des réseaux de neurones profonds appliqué à la simulation (H/F)

Au sein de cette organisation, l'équipe "Multiphysics Simulation" développe et met en valeur des méthodes de simulation numérique qui vont au-delà des techniques traditionnelles.

Les équations différentielles sont utilisées pour modéliser l'évolution d’un système dans divers domaines comme la physique-chimie, la biologie, la finance ou la recherche opérationnelle. Leur résolution permet de comprendre, prévoir, contrôler ou encore concevoir et optimiser le comportement d'un système. Cependant, les équations différentielles n’ont généralement pas de solution analytique connue. Par conséquent, les ingénieurs utilisent des solveurs numériques pour approximer ces solutions. Cette tâche est généralement coûteuse en temps et en puissance de calcul alors que les besoins pour une résolution rapide et précise, par exemple à des fins d’optimisation du design, sont croissants. Des travaux récents montrent qu'il est possible de réduire considérablement le temps de résolution d'une équation différentielle grâce aux méthodes d'apprentissage d'opérateurs non linéaires avec des réseaux de neurones. 

Vos missions

Dans ce cadre, vous serez amené(e) à étudier plusieurs architectures de réseau comme les DeepONets ou les Fourier Neural Operators.

Les objectifs du stage consistent à :

• Compléter (puis poursuivre) une étude bilbiographique sur des méthodes préalablement identifiées.
• Évaluer ces méthodes sur des cas-tests sous Python et participer au développement d'un prototype si les tests en amont sont concluants
• Restituer les résultats de ces travaux sous forme de rapports techniques et de présentation orales