Rejoignez-nous en Stage !

CEA Tech CorporatefromCEA TechonVimeo.

En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.

Description du poste :

Au sein du laboratoire des signaux et systèmes de capteurs vous travaillerez avec une équipe de 10 chercheurs.

L’apprentissage basée sur les données (apprentissage machine/machine learning) a révolutionné une grande variété de domaines. Par rapport à d’autres algorithmes de type systèmes experts, basés sur la connaissance, ils ont montré leur capacité à réaliser des tâches complexes (détection d’objets, traduction, synthèse de texte). Néanmoins, entraîner ces modèles nécessite une quantité importante de données, notamment s’il s’agit de réseaux de neurones profonds (deep learning). Par exemple, ChatGPT a été entraîné sur plusieurs centaines de GB.

Que faire pour d’autres tâches pour lesquelles les données d’entraînement sont difficiles ou couteuses à acquérir ? Ou qu’elles ne suffisent pas ? Depuis quelques années, un nouveau paradigme émerge, celui de combiner ces données à une connaissance a priori. En effet, on dispose souvent de connaissances sur la tâche, qui ne sont pas contenues dans les données d’entraînement. On sait par exemple que la sortie du modèle est toujours positive, qu’elle doit respecter la physique, etc. Ajouter cette connaissance permettrait d’atteindre les mêmes performances avec moins de données d’entrainement ou d’obtenir un modèle plus performant. Une des manière d'ajouter cette connaissance a connu un réel engouement : les réseaux de neurone informés par la physique ou physics-informed neural networks (PINNs). Cette méthode permet d’obtenir une solution qui respecte les données d’entrainement et également une équation physique.

Votre stage consistera à appliquer cette méthode dans le cas de la déformation d’une poutre métallique. Pour cela, plusieurs bases de données d’entrainement (expérimentales et synthétiques) ont déjà été acquises. Le laboratoire a également créé artificiellement des défauts sur cette poutre, qu’il faudra localiser.
Vous devrez pour cela :

1. Réaliser une étude bibliographique sur les PINNs
2. Appréhender et mettre en forme les bases de données
3. Entraîner un premier réseau de neurones classique
4. Entraîner un réseau de neurone informé par la physique
5. Analyser vos résultats et éventuellement rédiger une publication
Durant tout votre stage, une attention particulière sera portée à l’organisation de votre code, le suivi de versions et sa documentation, ainsi qu’à l’analyse critique des résultats obtenus pour différents paramètres des algorithmes.