Stage - Bac+4/+5 - Comparaison de modèles génératifs par apprentissage profond - H/F
Alternance Bruyères-le-Châtel (Essonne) Développement informatique
Description de l'offre
Détail de l'offre
Informations générales
Entité de rattachement
La Direction des Applications Militaires (DAM) du CEA, au cœur des enjeux de la dissuasion nucléaire Française, cherche ses futurs talents. Organisme inclusif, le CEA est handi-accueillant : nos emplois sont ouverts à toutes et tous. Associer les forces et les compétences de chacun pour atteindre nos objectifs est l'une de nos valeurs partagée par nos 4 600 salariés, répartis sur 5 centres. Les 1 800 salariés du centre de Bruyères-le-Châtel, en Ile de France relèvent les défis scientifiques et technologiques au service de notre Sécurité Nationale. Le centre conçoit les charges nucléaires des armes de la dissuasion, garantit leur sécurité et leur fiabilité en s'appuyant sur le programme simulation. Il met son expertise technique au service des activités dans la lutte contre la prolifération nucléaire, le terrorisme et les alertes en cas de séisme ou de tsunami. Il assure l'ingénierie des infrastructures complexes de la DAM, de leur conception à leur démantèlement. Il co-développe avec Atos les supercalculateurs au meilleur niveau mondial, dont sont issus ceux du Très Grand Centre de Calcul du CEA, qu'il exploite pour ses missions Défense et gère au profit de la recherche. Enfin, il exploite les installations nécessaires au maintien en condition opérationnelle et à la conception des chaufferies nucléaires embarquées sur les sous-marin et les porte-avions.Venez-vous investir et relever des défis avec des moyens technologiques d'exception!
Référence
2024-33056-S1370Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Stage - Bac+4/+5 - Comparaison de modèles génératifs par apprentissage profond - H/F
Sujet de stage
La simulation numérique est devenue un outil incontournable en recherche et développement en créant un pont entre la théorie et l’expérience. Elle s’appuie sur des outils, appelés codes de calcul, capables de décrire et de prédire des phénomènes complexes. Ces codes sont composés de paramètres d’entrée représentant l’état du système et délivrent en sortie des réponses le caractérisant. La conception et la garantie d’un système nécessitent un grand nombre d’appels au code de calcul, dont l’exécution peut être coûteuse en temps de calcul. Il devient alors indispensable de disposer d’un modèle de substitution, appelé métamodèle, plus simple, plus rapide et fidèle au phénomène étudié. Ce modèle peut être construit, à partir d'un nombre limité de simulations, par différentes méthodes d'apprentissage supervisé. Néamoins, il devra être capable de prédire tout en associant une confiance à cette prédiction.
Durée du contrat (en mois)
5-6 mois
Description de l'offre
Ce stage relève de l'apprentissage non supervisé et des statistiques. L'objectif est de s'approprier plusieurs méthodes permettant de réaliser un modèle génératif de quantités physiques (en grande dimension) obtenues par la simulation.
Les études de propagation d'incertitude dans la simulation sont facilement réalisables lorsqu'elles reposent sur des variations de paramètres physiques ou numériques. Lorsque les simulations dépendent de conditions aux limites, par exemple une donnée physique temporelle expérimée aux noeuds de toute une ligne d'un maillage, une stratégie possible consiste à apprendre un modèle permettant de générer de nouvelles conditions aux limites représentatives de la statistique observée sur quelques calculs. Plusieurs méthodes basées sur l'apprentissage profond permettent de répondre à cet objectif. Actuellement, des cas d'applications sont traités par l'équipe en utilisant les auto-encodeurs [1] ou les réseaux adversariaux génératifs [2]. Le but est maintenant de s'approprier les enjeux associés aux modèles de diffusion [3].
Le stage débutera par une phase d'étude bibliographique qui permettra à l'étudiant(e) d'appréhender les différentes méthodes usuelles par difficulté croissante permettant de réaliser des modèles génératifs. Un cas d'application sera proposé en parallèle pour implémenter les méthodes afin d’en acquérir une compréhension plus fine.
[1] Learning Internal Representations by Error Propagation, D. E. Rumelhart and J. L. McClelland, 1987.
[2] Generative adversarial network, Goodfellow et. al., 2014.
[3] Denoising diffusion probabilistic models, J. Ho and A. Jain and P. Abbel, 2020.
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes en situation de handicap, cet emploi est ouvert à tous et toutes. Participant à la protection nationale, une enquête administrative est réalisée pour tous les salariés du CEA afin d'assurer l'intégrité et la sécurité de la nation.
Profil recherché
Profil du candidat
probabilités, statistiques, machine learning, Python, R
Bac+4/+5