STAGE - Ingénieur.e Recherche – Stratégies d’Active Learning pour la simulation (F/H)

Ce stage est proposé au sein du département Corporate Research & Science, dont la mission est de développer et d'évaluer l'applicabilité de nouvelles technologies innovantes.

Il s'inscrit plus particulièrement dans les activités de l'équipe de recherche dédiée à l'utilisation de l'intelligence artificielle pour accélérer ou remplacer les solveurs physiques.

Les méthodes de Scientific Machine Learning (SciML) permettent de construire des modèles d'apprentissage capables d'approcher la réponse de simulations numériques complexes tout en réduisant fortement les temps de calcul. Elles constituent aujourd'hui une approche prometteuse pour rendre les simulations de haute fidélité plus accessibles dans un contexte industriel.

Le stage aborde un défi majeur pour le déploiement à grande échelle des modèles de substitution basés sur le Scientific Machine Learning (SciML). En effet, leur entraînement nécessite généralement la génération d'un grand volume de données issues de simulations numériques coûteuses, ce qui constitue aujourd'hui un frein à leur adoption dans un contexte industriel.

Vos missions

L'objectif du stage est d'étudier et de développer des stratégies adaptatives de génération de données permettant de maximiser les performances de ces modèles tout en limitant le nombre de simulations nécessaires à leur entraînement.

À l'interface entre la physique numérique et l'intelligence artificielle, ce sujet de recherche portera sur l'étude et la comparaison de différentes stratégies de sélection des données d'apprentissage, telles que l'échantillonnage adaptatif, l'active learning, les critères basés sur l'incertitude des modèles ou la conception optimale d'expériences. Une attention particulière sera portée aux approches exploitant des informations physiques ou des estimateurs d'erreur afin de guider efficacement la génération de nouvelles simulations.

Au cours du stage, vos missions seront les suivantes :

• Réaliser une étude bibliographique des méthodes récentes de génération adaptative de données pour le Scientific Machine Learning
• Développer et implémenter des stratégies de sélection adaptative dans un environnement Python
• Évaluer ces méthodes sur des cas de test représentatifs et analyser le compromis entre coût de génération des données et précision des modèles
• Présenter les résultats sous forme de rapports techniques et de présentations orales