STAGE : Surrogate modeling hybride pour systèmes physiques F/H Safran

Dans le secteur aéronautique, les simulateurs physiques jouent un rôle clé pour la conception, l'analyse et la maintenance des systèmes : ils permettent d'étudier des phénomènes complexes dans des situations très variées. Toutefois, leur coût de calcul élevé limite leur usage lorsqu'ils doivent être sollicités de manière répétée (optimisation, études paramétriques, analyses d'incertitude, jumeaux numériques, etc.).

Les modèles de substitution basés sur l'intelligence artificielle offrent une alternative prometteuse pour reproduire rapidement le comportement de ces simulateurs. Cependant, les modèles purement data-driven peuvent manquer de robustesse et de fiabilité sur des domaines mal représentés ou avec peu de données disponibles.

Le stage proposé vise à explorer et développer des approches hybrides de surrogate modeling qui intègrent à la fois l'apprentissage à partir des données et l'exploitation de connaissances physiques ou métiers (contraintes, relations entre variables, structures systèmes, informations issues de modèles simplifiés…). Cet apport de connaissances visera à améliorer la robustesse, la cohérence physique, la capacité de généralisation des modèles et à réduire les besoins en données.

Après une revue des méthodes récentes, le ou la stagiaire définira, développera et comparera différentes stratégies (réseaux de neurones contraints par la physique, Neural Operators, modèles hybrides, modèles génératifs tels que diffusion ou flow matching selon les besoins…). Les méthodes seront évaluées sur des cas industriels Safran à partir de critères tels que précision, coût de calcul, robustesse, cohérence physique et quantité de données requise. Une attention particulière sera portée à la généralisation des modèles à de nouvelles conditions de fonctionnement.

Le stage consistera à :

- Réaliser une veille bibliographique sur les méthodes de surrogate modeling hybrides
- Implémenter des prototypes en Python et PyTorch
- Conduire des expérimentations et analyser les résultats obtenus
- Évaluer les compromis entre la complexité des architectures, l'intégration des connaissances physiques et les performances atteintes
- Formuler des recommandations sur les approches les plus adaptées aux cas industriels étudiés

- Formation Bac+5 (école d'ingénieurs ou master) en intelligence artificielle, mathématiques appliquées ou informatique
- Solides connaissances en machine learning et deep learning
Maîtrise de Python (PyTorch apprécié)
- Rigueur, autonomie et curiosité
- Connaissances en modèles de substitution ou méthodes physics-informed appréciées
- Bon niveau d'anglais technique