STAGE - Ingénieur(e) de recherche : Design Génératif par Physique Différentiable - (H/F)

Lieu : Vélizy-Villacoublay

Vous aurez l’opportunité de contribuer au sein de l'organisation "Recherche" dont la mission est de développer et d'évaluer l'applicabilité de nouvelles technologies innovantes, notamment sur des prototypes, pour maintenir un haut niveau de compétences dans tous les domaines techniques stratégiques.

La technologie des ordinateurs quantiques a connu un essor considérable dans les dernières années et a le potentiel de révolutionner plusieurs applications industrielles. Le domaine en soit est actuellement en flux, avec des perspectives de correction d'erreurs plus proches que le prévu, mais avec plein de défis encore.

Vos Missions

Au sein du département "Corporate Research & Science", vous intégrerez une équipe qui s'intéresse à la modélisation 3D et le design génératif, aux technologies de simulation physique, et à l'optimisation de structures pour des expériences interactives dans des environnements mixant le virtuel et le réel.

Le stage en recherche scientifique proposé adresse le défi du Design Génératif 3D, et plus particulièrement les choix de Formulations Mathématiques adoptées, Simulation Physique implémentées et Optimisation Numériques exécutées qui vont permettre d'explorer un vaste espace de conception.

En particulier le stage vise à étudier l'utilisation de la Physique Différentiable et les outils de Différentiation Automatique (e.g. autodiff, Adept, CppAD) dans un environnement de code de recherche C++ flexible et performant pour la simulation physique et génération automatique de formes 3D.

Nous utilisons déjà plusieurs processus d’analyse et de génération 3D. Certains axés sur les mathématiques et la physique, tels que le l’analyse éléments finis, la simulation de solides et de fluides, et l’optimisation topologique sur champs Euleriens. D’autres inspirés par la boite à outils de la vie sur terre, tels que les procédés exhibant un comportement de croissance à partir d'un encodage de règles locales, d'émergence et d'auto-organisation comme les Automates Cellulaires ou la Réaction Diffusion. À cela s'ajoutent les nombreuses approches et représentations largement exploitées en Deep Learning tels que les encodeurs et leurs espaces latents (e.g. DeepSDF, NERFs, ..), ainsi que les modèles par particules/voxel issus de la recherche en simulation transiente/dynamique déformable (e.g. ChainQueen, Taichi).

Dans ce grand espace de possibles partiellement cartographié, vous aurez comme mission d’explorer, identifier et prototyper des méthodes prometteuses pour réaliser des structures génératives, auto-adaptatives, composables et optimisables, dans un contexte de formes plutôt libres et organiques. Comme applications nous pouvons citer l'ingénierie mécanique (optimiser des pièces mécaniques avec contraintes physiques fortes), la robotique (concevoir automatiquement des robots terrestres ou volants capables de réaliser des missions), l’architecture de bâtiment (optimiser la forme et structure d’un immeuble pour le rendement énergétique), les biens de consommation ou le mobilier.