Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Modélisation d'incertitudes par utilisation du Dropout en apprentissage profond – Applicatio H/F


Détail de l'offre

Informations générales

Entité de rattachement

Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.

Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).

Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.  

Référence

2020-14621  

Description de l'unité

Le LGLS réalise et maintient des plateformes génériques, pérennes et open source dans le but :- de développer des codes de calcul parallèles en mécanique des fluides à différentes échelles (https://sourceforge.net/projects/trust-platform/);- d'exploiter les codes de calculs à l'aide d'outils de mise en données, prétraitements et postraitements, standards ou spécifiques (https://www.salome-platform.org/); - de fournir aux physiciens les méthodes et outils leur permettant d'optimiser leurs conceptions et de traiter les incertitudes de leurs études de sureté (https://sourceforge.net/projects/uranie/).Le LGLS développe pour les besoins des unités du CEA ou de ses partenaires des applications métiers le plus souvent basées sur ses plateformes génériques et ce, dans des domaines scientifiques très variés :mécanique des fluides, neutronique, mécanique, soudage, matériaux, chimie, énergétique, technico-économique.

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Modélisation d'incertitudes par utilisation du Dropout en apprentissage profond – Applicatio H/F

Sujet de stage

Dans le domaine du calcul scientifique, les méthodes actuelles basées sur l'apprentissage machine (Machine Learning) commencent aujourd'hui à être largement utilisées. Dans certains cas elles permettent de compléter ou d'améliorer certaines modélisations complexes qu'on peut trouver dans diverses disciplines comme en physique, en chimie ou en biologie. Leur utilisation dans les outils de calcul scientifique nécessite une prise en compte des incertitudes sur les prédictions des modèles inférés par apprentissage.

Durée du contrat (en mois)

6

Description de l'offre

Une famille de modèles particulièrement performants inférés par apprentissage machine est celle des réseaux de neurones profonds. Mais ces modèles, contrairement aux processus gaussiens (limités aux problèmes de petite dimension), ne permettent pas une modélisation probabiliste des erreurs de prédiction.

Pour estimer les incertitudes de modèles on étudiera les approches statistiques de type Monte Carlo fondées sur une utilisation du Dropout. On étudiera la formalisation de la quantification des incertitudes par Dropout proposée par [1,2] et basée sur une interprétation bayésienne.

Dans un premier temps on mettra en œuvre cette approche sur des cas tests « jouet » afin de valider la méthode d’estimation des prédictions et les intervalles de confiance associés, à la fois dans des cas de classification et de régression.

Puis, des cas d’application de ces méthodes de quantification d’incertitudes seront traités pour la spectrométrie X et gamma. Le but sera de vérifier la validité statistique de ces approches pour quantifier l’incertitude sur l’identification des radioéléments à l’origine d’un spectre X et gamma acquis avec un détecteur de photons de haute énergie.

 

 

[1]    Y. Gal, Z. Ghahramami, Dropout as a Bayesian Approximation : Representation Model Uncertainty in Deep Learning, arXiv:1506.02142v6

[2]    A. Kendall, Y. Gal, What Uncertainties Do We Need in Bayesian Deep Learning for Computer Vision, arXiv:1703.04977v2

 

Mots clés : LGLS

 

Moyens / Méthodes / Logiciels

Python, TensorFlow/Keras, Apprentissage statistique par réseaux de neurones, Méthodes bayésiennes

Profil du candidat

Formation Master 2, Ecole d'Ingénieurs

Localisation du poste

Site

Saclay

Localisation du poste

France, Ile-de-France, Essonne (91)

Ville

Saclay

Critères candidat

Diplôme préparé

Bac+5 - Diplôme École d'ingénieurs

Formation recommandée

Formation Master 2, Ecole d'Ingénieurs

Possibilité de poursuite en thèse

Oui

Demandeur

Disponibilité du poste

01/03/2021