STAGE - Ingénieur Machine learning (F/H) Groupe Talents Handicap

Dassault Systèmes, l'entreprise de la 3DEXPERIENCE, est un « accélérateur de progrès humain ». Elle propose aux entreprises et aux particuliers des environnements virtuels collaboratifs qui leur permettent d'imaginer des innovations plus durables. En développant un jumeau virtuel du monde réel, grâce à la plateforme 3DEXPERIENCE et à ses applications, Dassault Systèmes donne à ses clients les moyens de repousser les limites de l'innovation, de l'apprentissage et de la production.

Les 20 000 collaborateurs de Dassault Systèmes travaillent à créer de la valeur pour nos 270 000 clients de toutes tailles, dans toutes les industries, dans plus de 140 pays. Pour plus d'informations, visitez notre site www.3ds.com/fr

Sujet : Stage en machine learning pour l'optimisation de simulations physiques multi-fidélité

Ce stage est proposé par l'organisation « Recherche » dont la mission est de développer et d'évaluer l'applicabilité de nouvelles technologies innovantes, notamment sur des prototypes, pour maintenir un haut niveau de compétences dans tous les domaines techniques stratégiques.

Certaines méthodes numériques telles que l'optimisation ou la quantification d'incertitude nécessitent un grand nombre d'appels à des modèles de simulation numérique. Les approches multi-fidélités utilisent plusieurs simulateurs et/ou données expérimentales, avec des précisions et coûts différents, pour rendre possible ces études avec des coûts de calcul compatibles avec les applications industrielles.

Dans ce contexte, les approches traditionnelles font appel à des processus Gaussiens (GP) qui modélisent des quantités d'intérêt. Ces modèles ont non seulement l'avantage de modéliser une réponse en moyenne mais aussi d'estimer une incertitude qui est utilisée par les algorithmes d'optimisation bayésienne. Cependant, ces méthodes limitent la dimension des problèmes résolvables, tant au niveau des variables contrôlant le système qu'au niveau du nombre d'objectifs et de contraintes traitables.

Vos missions

Le but de ce stage est de continuer les travaux initiés cette année sur l'optimisation bayésienne en utilisant les nouveaux développements des réseaux de neurones profonds. L'objectif est de pouvoir traiter des problèmes à grand nombre de variables et des problèmes fortement contraints. L'utilisation des sources de qualités différentes permettra une accélération de la recherche de l'optimum, ainsi que la réutilisation des données existantes.

Vos principales activités seront :

• Effectuer une recherche de l'état de l'art sur les modèles d'approximation de grande dimension pour la multi-fidélité et sur les méthodes de recherche d'espace admissible fortement contraint,
• Implémenter, valider et appliquer ces méthodes sur des cas d'optimisation académiques puis plus représentatifs d'un problème industriel (conception, calibration, ...)
• Analyser et restituer les résultats de ces travaux sous forme de rapports techniques et de présentations orales au sein de l'équipe et d'autres départements.

Vos qualifications

Actuellement en Master 2 / Bac+5 en Ecole d'ingénieur ou Université, vous avez de bonnes connaissances en mathématiques appliquées et analyse numérique et vous avez un intérêt marqué pour simulation numérique de phénomènes physiques.

• Vous maitrisez la programmation informatique notamment en Python et/ou C++
• Vous avez des notions en statistiques et approche Bayésienne
• Vous êtes à l'aise avec les productions écrites synthétiques et les présentations orales.

De nature curieuse, rigoureuse et autonome, vous devrez faire preuve d'initiative et de force de proposition.

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au cœur de l'innovation technologique, portée par une forte croissance depuis plus de 40 ans

Principaux avantages et bénéfices :

• Environnement multiculturel
• Cadre de travail convivial axé sur le bien-être et la santé
• Engagement en faveur de la diversité et de l'inclusion
• Politique dynamique de développement de carrière : plan de formation, mobilités internes, etc