Stage de Recherche sur l’hybridation de modèles d’apprentissage et de modèles physiques
Detail de l'annonce :
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