STAGE - Ingénieur.e Recherche Deep Learning (F/H)

Poste ouvert aux personnes en situation de handicap.

Dans le contexte d'un consortium, l'organisation "Virtual Twin for Human" de Dassault Systèmes créé des prototypes logiciels pour soutenir l'évolution des pratiques médicales basées sur l'utilisation du jumeau virtuel. Vous ferez partie d'une équipe multidisciplinaire et dynamique, sur des sujets innovants. Vous participerez au processus de réflexion pour créer des représentations pertinentes de l'information à destination des patients et des équipes médicales, en collaboration étroite avec nos partenaires.

Au sein de l'équipe « Cardiology Sciences », vous travaillerez sur des projets dédiés à la modélisation et la simulation du cœur. Le jumeau virtuel du cœur d'un patient est personnalisé, descriptif et prédictif, évolue avec l'état de santé du patient, et permet de tester différents scénarios sur la progression de la maladie ou les options de traitement. Ce jumeau virtuel doit également être intégré dans un environnement protecteur pour les données du patient, et pouvoir être accessible aux praticiens.

Dans ce contexte, le jumeau virtuel doit pouvoir être créé à partir d'imagerie médicale, simulable en fonction de différentes conditions de maladie et de traitement, et enfin être capable d'afficher des résultats pertinents pour le médecin. Dans un domaine compétitif et en rapide évolution comme celui des jumeaux virtuels du cœur, des innovations spécifiques doivent pouvoir être mises en place, notamment dans le domaine de la simulation numérique.

Les solveurs numériques traditionnels utilisés pour simuler les phénomènes physiques d'un battement cardiaque (électrophysiologie, mécanique, dynamique des fluides) sont très précis, mais trop coûteux en temps de calcul pour un usage clinique courant.

Vos missions

L'objectif de ce stage est d'étudier et d'implémenter des méthodes de Deep Learning pour accélérer ces simulations sans compromettre la rigueur physiologique, en s'appuyant sur le domaine du Scientific Machine Learning (Sci

ML).

• Réaliser un état de l'art des méthodes basées sur l'IA et la modélisation de substitution (surrogate modeling) pour la simulation cardiaque.
• Implémenter des architectures avancées adaptées à la physique, telles que les Physics-Informed Neural Networks (PINNs), les Graph Neural Networks (GNNs) ou les Neural Operators (NOs).
• Accélérer les simulations de la physiologie cardiaque dans des conditions cliniques réalistes.
• Évaluer les performances des modèles d'IA par rapport aux solveurs numériques classiques.
• Intégrer des données cliniques pour produire des jumeaux virtuels fiables et pertinents pour les médecins.

Ce stage offre l'opportunité de travailler à l'interface de la cardiologie computationnelle, de la physique appliquée et de l'apprentissage automatique, en contribuant au développement de cadres computationnels capables de soutenir la prise de décision clinique et de faire progresser le domaine de la modélisation cardiaque personnalisée.

Vos qualifications

Actuellement en Master 2 / Bac+5 en Ecole d'ingénieur ou Université, vous recherchez un stage entre 5 et 6 mois.

• Programmation Python orientée Machine Learning / Deep Learning (Py

  Torch, Tensor

  Flow, Scikit-learn).
• Formation en Deep Learning et/ou Scientific Machine Learning (SciML).
• Formation en physique / mathématiques appliquées (mécanique des solides, dynamique des fluides, méthodes numériques).
• La connaissance des réseaux de neurones appliqués à la physique (ex. PINNs, GNNs) et de la biophysique appliquée à la cardiologie est un plus.

Nous recherchons une personne rigoureuse, pragmatique, autonome, dotée d'un esprit critique et d'un bon esprit d'équipe, et très motivée par le domaine médical.

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.

• Environnement collaboratif et innovant
• Collaboration internationale
• Diversité des technologies, produits et solutions
• Engagement en faveur de la diversité et de l'inclusion