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
2026-39183-S2044
Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Stage - Bac+5 - Organiser par similarité des images générées par IA - H/F
Sujet de stage
De nombreux traitements/analyses d’expériences réalisés au sein de la Direction des applications militaires du CEA peuvent être formulés comme des problèmes inverses mal posés. Il s’agit de problèmes dont les solutions sont multiples et/ou très sensibles à de petites variations dans les données expérimentales en entrée (p. ex. au bruit de mesure). Il est ainsi nécessaire d’injecter un a priori sur la solution pour contraindre l’espace de recherche et donc la résolution du problème. La progression fulgurante des performances des méthodes par apprentissage profond offre de ce point de vue une opportunité incontournable. Il n’est cependant pas trivial a posteriori de déterminer où se situe la solution générée par rapport à la base d’apprentissage du modèle (p. ex. ses plus proches voisins ou son appartenance à une classe d’objet). Cette information est pourtant essentielle pour discriminer des hypothèses physiques ou se rattacher à des expériences connues.
Durée du contrat (en mois)
Césure ou 6 mois
Description de l'offre
Le stage aura pour objectif de tester la faisabilité d'une approche par similarité sur des modèles génératifs dits de diffusion [1]. Plus particulièrement, l’axe de recherche privilégié est d’opérer l’évaluation dans un espace latent en utilisant un plongement (« embedding ») judicieux [2]. Après cette première étape de construction d’un espace latent, une seconde phase consistera à utiliser un modèle de diffusion latent sur cette base [3]. Enfin, la pertinence de l’approche pourra être évaluée sur un problème inverse à déterminer [4]. Le(la) stagiaire aura l’occasion d’implémenter l’ensemble de ses évaluations sur la base de données académique MNIST.
L'unité accueillant ce stage est en charge du développement et de l’amélioration continue des outils de traitement des diagnostics expérimentaux. L’ensemble des développements s’effectuera en Python. Une bonne maîtrise du langage est donc nécessaire, et la connaissance de librairies telles que PyTorch sera appréciée. Le(la) stagiaire devra également avoir une solide formation en mathématiques appliquées et en intelligence artificielle. La mise en œuvre d’outils d’apprentissage statistique sur des images, et en particulier une expérience préalable avec les réseaux convolutionnels/modèles de diffusion, serait un plus. Le stage d’une durée de 6 mois est à pourvoir dès que possible.
1. Ho et al., Denoising Diffusion Probabilistic Models, NeurIPS 2020
2. Wang et al., Understanding Contrastive Representation Learning through Alignment and uniformity on the Hypersphere, ICML 2020
3. Rombach et al., High-Resolution Image Synthesis With Latent Diffusion Models, CVPR 2022
4. Chung et al., Diffusion Posterior Sampling for General Noisy Inverse Problems, ICLR 2023
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
Python, PyTorch, Mathématiques Appliquées
Bac+5
Localisation du poste
Site
DAM Île-de-France
Localisation du poste
France, Ile-de-France
Create candidate area
