STAGE : pour les modèles de substitution en simulations physiques – Partie II F/H - SAFRAN SA (FRANCE)

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 110 000 collaborateurs pour un chiffre d'affaires de 31,3 milliards d'euros en 2025, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2025 » du magazine TIME. Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.

Descriptif mission

Contexte Les modèles de substitution basés sur le deep learning, tels que les GNN, les transformers sur maillages et les modèles à ordre réduit, sont de plus en plus utilisés pour accélérer les simulations physiques, mais nécessitent un entraînement et une ingénierie spécifiques à chaque tâche. Récemment, des modèles fondation pour données tabulaires (par exemple TabPFN) ont été proposés comme modèles sans entraînement, capables de s'adapter à de nouvelles tâches uniquement via le conditionnement. Leur pertinence pour les données issues de simulations physiques reste largement inexplorée. SafranTech a déjà benchmarké plusieurs approches de modélisation de substitution dans le cadre du framework PLAID ( fournissant une base de référence solide pour la comparaison. Ce stage s'inscrit dans la continuité d'un premier stage débutant en avril 2026. Objectifs Le stage vise à : - Évaluer si les modèles fondation pour données tabulaires peuvent servir de substituts viables pour les simulations physiques en utilisant uniquement le conditionnement. - Comparer leur précision et leur robustesse avec les méthodes de deep learning existantes benchmarkées dans PLAID. - Évaluer leur débit de calcul et leur passage à l'échelle pour un usage industriel à grande échelle. Plan de travail - Bibliographie et mise en place des benchmarks Étudier les modèles fondation pour données tabulaires et la modélisation de substitution en physique. Se familiariser avec les datasets, les métriques et les baselines de PLAID. - Expériences sur grilles régulières Appliquer les modèles fondation directement aux sorties de simulations physiques définies sur des grilles régulières. Comparer la précision et le coût d'inférence avec les baselines PLAID existantes. - Analyse du débit et de la scalabilité Évaluer le temps d'inférence, l'utilisation mémoire et la scalabilité en batch, et comparer l'inférence par conditionnement seul avec celle des modèles entièrement entraînés. - Maillages non structurés via représentations latentes Étendre l'approche aux maillages non structurés à l'aide d'embeddings latents (par exemple POD ou autoencodeurs), et comparer avec des modèles prenant en compte la structure du maillage. - Analyse et limites Identifier les modes d'échec, les limites de passage à l'échelle et les domaines d'applicabilité des modèles fondation en simulations physiques. Résultats attendus - Une comparaison quantitative entre les modèles fondation et les modèles de substitution de pointe en physique. - Des conclusions claires sur les compromis précisionvitesse. - Des recommandations pratiques pour les workflows de simulation industrielle.

Profil recherché - Formation en simulations numériques / mathématiques appliquées. - Expérience de base en réseaux de neurones et programmation différentiable avec PyTorch. - Maîtrise de la programmation en Python. - Capacité à travailler de manière autonome et en collaboration dans un environnement de recherche.]]><