Stage de Recherche sur l’hybridation de modèles d’apprentissage et de modèles physiques

SUJET DU STAGE : RÉSEAUX DE NEURONES PROFONDS POUR LA MODÉLISATION DES PHÉNOMÈNES PHYSIQUES Au sein de l’Institut de Recherche Technologique SystemX, situé au cœur du campus scientifique d’excellence mondiale de Paris-Saclay, vous prendrez une part active au développement d’un centre de recherche technologique de niveau international dans le domaine de l’ingénierie numérique des systèmes. Adossé aux meilleurs organismes de recherche français du domaine et constitué par des équipes mixtes d’industriels et d’académiques, ce centre a pour mission de générer de nouvelles connaissances et solutions technologiques en s’appuyant sur les percées de l’ingénierie numérique et de diffuser ses compétences dans tous les secteurs économiques. Vous serez encadré par un ingénieur chercheur SystemX du domaine science de données et IA. Vous travaillerez au sein du projet de recherche Hybridation Simulation Apprentissage (HSA) [https://www.irt-systemx.fr/projets/HSA/] dont les partenaires industriels sont Airbus, Air Liquide, EDF, RTE, SNCF et Michelin et les partenaires académiques équipe TAU – Inria Saclay, LIMSI – CNRS, LIP6 – Sorbonne Université. Le poste est basé à l’IRT SystemX – Gif sur Yvette PRÉSENTATION DU SUJET DU STAGE CONTEXTE DU STAGE La simulation numérique et le calcul scientifique sont des outils indispensables pour la conception et l’analyse des systèmes techniques. Ces approches sont bien adaptées dans les phases très amont, mais leur complexité et leur lourdeur en termes de temps de calcul, freinent leur développement sur des phases plus aval. De nos jours, l’évolution de la technologie et l’installation de capteurs permettent un recueil de données plus important sur l’état et l’évolution des phénomènes physiques et ouvrent de nouvelles perspectives à l’application des méthodes basées données. Plus particulièrement, les réseaux de neurones profonds sont des candidats prometteurs pour compléter ou remplacer les simulations numériques coûteuses. OBJECTIF DU STAGE Le stage vise à étudier et à concevoir des architectures adaptées de réseaux de neurones [4, 5, 6] pour les cas d’usage du projet HSA (RTE, SNCF et EDF). Par exemple, dans le cadre du cas d’usage proposé par RTE, on s’intéresse à améliorer la procédure d’aide à la décision des opérateurs d’un réseau électrique. Les architectures à développer utiliseront les données issues d’un simulateur et auront pour objectif d’accélérer le calcul du flux en présence des informations contextuelles (coupure des lignes électrique, changement topologique au sein du réseau, condition météorologique, etc.), ce qui permettra de proposer des solutions adaptées dans les situations critiques. Le cas d’usage proposé par la SNCF s’intéresse lui à l’analyse prédictive de l’évolution de défauts de fatigue dans des composants de l’infrastructure ferroviaire. Les modèles physiques actuels ne tiennent pas compte de l’ensemble des informations contextuelles disponibles (typologie d’infrastructure, trafic, météo, etc.) ayant pourtant une influence sur les dégradations. De ce fait, les architectures proposées viseront à compléter les modélisations physiques existantes et ainsi de mieux optimiser la procédure de planification des opérations de maintenance. Les résultats issus des modèles élaborés seront évalués selon différents critères comme leur robustesse, leur capacité de généralisation et leur temps de calcul. Les architectures proposées feront l’objet d’une documentation détaillée et seront par la suite intégrées au sein d’une plateforme de benchmarking open-source existante [3]. In fine, le stage permettra de mettre en place des réseaux de neurones performants et génériques pour répondre à différentes problématiques industrielles. MISSIONS Dans le cadre de ce stage, le candidat sera amené à réaliser toute ou partie des missions suivantes : * Prétraitement, nettoyage et l’analyse descriptive des données recueillies dans le contexte des cas d’usage du projet * Conception et l’application des réseaux de neurones pour un problème spécifique et la configuration de l’ensemble des hyperparamètres concernés (fine tuning) * Evaluation de la performance et de la robustesse des modèles conçus dans l’étape précédente et proposition de critères d’évaluation adaptés * Présentation des résultats et rédaction d’un rapport RÉFÉRENCES BIBLIOGRAPHIQUES [1] Donon, Balthazar, et al. « Leap nets for system identification and application to power systems. » Neurocomputing 416 (2020): 316-327.[2] Giuseppe, Carleo;, Machine learning and the physical sciences, Reviews of Modern Physics, 2019 [3] https://github.com/Mleyliabadi/LIPS [4] Scarselli, F., Gori, M., Tsoi, A. C., Hagenbuchner, M., & Monfardini, G. (2008). The graph neural network model. IEEE transactions on neural networks, 20(1), 61-80. [5] Vaswani, Ashish, et al. « Attention is all you need. » Advances in neural information processing systems. 2017. [6] Sak, Hasim, Andrew W. Senior, and Françoise Beaufays. « Long short-term memory recurrent neural network architectures for large scale acoustic modeling. » (2014). Profil et compétences De formation : BAC +5 dans le domaine de l’informatique/IA/mathématiques appliquées. Compétences : * Très bonne compréhension des méthodes d’apprentissage profond, * Bonne connaissance de la programmation en python et les librairies numpy, pandas, scikit-learn, pytroch et tensorflow, * Des connaissances dans le domaine de la simulation numérique serait un plus Aptitudes personnelles : * Bon relationnel, * Travail d’équipe, * Communication, * L’esprit d’initiative, * Adaptabilité INFORMATIONS CLÉS DURÉE DU STAGE : 6 mois DATE DE DÉMARRAGE ENVISAGÉE : 1er trimestre de 2022 LOCALISATION DU POSTE : Cluster Paris Saclay (91) RÉFÉRENCE DE L’OFFRE : DSR-2022-26-HSA Postuler à cette offre d’emploi MOTS-CLÉS : Science des données et interaction