Informations générales
Entité de rattachement
La Direction des Applications Militaires (DAM) du CEA, au cœur des enjeux de la dissuasion nucléaire Française, cherche ses futurs talents. Organisme inclusif, le CEA est handi-accueillant : nos emplois sont ouverts à toutes et tous. Associer les forces et les compétences de chacun pour atteindre nos objectifs est l'une de nos valeurs partagée par nos 4 600 salariés, répartis sur 5 centres. Les 1 800 salariés du centre de Bruyères-le-Châtel, en Ile de France relèvent les défis scientifiques et technologiques au service de notre Sécurité Nationale. Le centre conçoit les charges nucléaires des armes de la dissuasion, garantit leur sécurité et leur fiabilité en s'appuyant sur le programme simulation. Il met son expertise technique au service des activités dans la lutte contre la prolifération nucléaire, le terrorisme et les alertes en cas de séisme ou de tsunami. Il assure l'ingénierie des infrastructures complexes de la DAM, de leur conception à leur démantèlement. Il co-développe avec Atos les supercalculateurs au meilleur niveau mondial, dont sont issus ceux du Très Grand Centre de Calcul du CEA, qu'il exploite pour ses missions Défense et gère au profit de la recherche. Enfin, il exploite les installations nécessaires au maintien en condition opérationnelle et à la conception des chaufferies nucléaires embarquées sur les sous-marin et les porte-avions.
Venez-vous investir et relever des défis avec des moyens technologiques d'exception!
Référence
2025-37285-S1729
Description du poste
Domaine
Thermohydraulique et mécanique des fluides
Contrat
Stage
Intitulé de l'offre
Stage - Bac+5 - Apports de l’IA générative à la modélisation des mélanges turbulents - H/F
Sujet de stage
Afin de prédire les mélanges turbulents, qui interviennent notamment dans les expériences de fusion par confinement inertiel (FCI), le CEA-DAM développe depuis plusieurs années une stratégie reposant sur l’apprentissage par les données (IA). Des techniques d’apprentissage supervisé ont ainsi été mises en œuvre, allant de la régression symbolique parcimonieuse [Thévenin et al., Phys. Plasma (2022)] jusqu’aux réseaux de neurones profonds [Thévenin et al., JFM (2025)]. Ces méthodes nécessitent des données labellisées et peuvent s’appuyer sur de larges bases de simulations numériques directes d’écoulements turbulents, comme par exemple l’instabilité de Rayleigh-Taylor, qui servent par ailleurs de références pour calibrer et améliorer les modèles physiques de mélange turbulent. L’objectif est, in fine, d’obtenir par IA des modèles précis interprétables et peu coûteux, pouvant être intégrés facilement dans les codes de calcul multiphysiques.
Durée du contrat (en mois)
5-6 mois
Description de l'offre
De manière générale, les distributions de probabilité associées aux images de phénomènes physiques présentent des propriétés multi-échelles. Ce comportement est particulièrement marqué dans la turbulence, où les interactions entre les différentes échelles spatiales et temporelles sont fortement non linéaires.
Les Score-based Generative Models (SGMs), ainsi que leurs nombreuses variantes et optimisations, se sont imposés comme des modèles génératifs de pointe pour l’apprentissage et l’échantillonnage de distributions d’images. Cependant, leur application à la turbulence présente certaines limites. En effet, les SGMs cherchent à modéliser l’ensemble du phénomène, ce qui complique l’apprentissage, notamment pour les petites échelles où les statistiques diffèrent sensiblement. De plus, les simulations de champs turbulents de grande dimension (jusqu’en 3D) sont très coûteuses en temps et en ressources, ce qui réduit la taille des bases de données et freine l’efficacité des SGMs.
Pour pallier ces difficultés, les Wavelet-based SGMs (WSGMs) exploitent les propriétés multi-échelles des données en combinant SGMs et ondelettes. Ces dernières permettent de capturer naturellement les structures locales à différentes échelles. Concrètement, les WSGMs représentent les données dans une base d’ondelettes, puis factorisent la distribution des coefficients ondelettes par échelle. Cette approche rend possible une génération conditionnelle hiérarchique plus efficace et mieux adaptée à la modélisation de phénomènes turbulents.
Le travail consistera à
• Apprendre et échantillonner la distribution d’images turbulentes via des WSGMs ;
• Comparer cette approche avec des modèles existants (GANs, SGMs).
Ce stage prépare à une poursuite en thèse.
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.
Profil du candidat
Mécanique des fluides et turbulence
Python
Bac+5
Localisation du poste
Site
DAM Île-de-France
Localisation du poste
France, Ile-de-France
Create candidate area
