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

Réduction de dimension et métamodélisation basée sur les actives subspaces


Détail de l'offre

Informations générales

Entité de rattachement

Situé à 40 km au sud de Paris, le centre DAM-Île de France, a en charge la conception des armes nucléaires françaises, la recherche et développement dans le domaine de la lutte contre la prolifération et le terrorisme, l'alerte aux autorités en cas de séisme, de tsunami ou d'essai nucléaire étranger, la construction et le démantèlement de grandes infrastructures nucléaires. Leader français de la simulation numérique et du calcul intensif, il possède deux des machines européennes les plus puissantes. Il dispose également de plusieurs accélérateurs et de nombreux moyens techniques et expérimentaux pour mener ses recherches. Lui est également rattaché, l'Unité Propulsion Nucléaire située sur le centre CEA/Cadarache en région Provence Alpes-Côte d'Azur, où sont implantées les installations d'essais et une partie des fabrications de la propulsion nucléaire.  

Référence

2021-18552-S0386  

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Stage

Intitulé de l'offre

Réduction de dimension et métamodélisation basée sur les actives subspaces

Sujet de stage

Réduction de dimension et métamodélisation basée sur les actives subspaces

Durée du contrat (en mois)

4 à 6 mois

Description de l'offre

Profitant de l’accroissement des puissances de calculs disponibles et de progrès importants en modélisation des phénomènes physiques, la simulation numérique s’impose actuellement comme un outil majeur pour la conception, l’optimisation et la certification de systèmes de plus en plus complexes. Pour remplir ces missions, la simulation numérique se doit d’être prédictive, c’est-à-dire d’être capable de prédire tout en associant une confiance à cette prédiction, le comportement d’un système innovant dans des conditions originales, sans avoir recourt à l’expérience.
Une simulation, représentant un système physique complexe, relie la ou les sortie(s) du modèle en fonction de ses entrées (relation causale). De nombreux modèles impliquent beaucoup de paramètres autrement dit un grand nombre d’entrées. Afin de réduire la complexité, une première approche peut être d’essayer de diminuer ce nombre en ne gardant que les entrées qui sont les plus influentes sur la sortie.

Ce stage a pour objectif d'étudier un outil de réduction de dimension bien particulier : les Actives Subspaces, dont l’estimation repose sur des calculs de gradients. Pour le cas des sorties vectorielles qui nous intéresse, des extensions de ces actives subspaces ont été proposées. [2]
Les actives subspaces peuvent être vues comme une première étape de réduction de dimension avant l’apprentissage d’un modèle de machine learning (Sparse polynomials, krigeage, tensor, polynomials). [3]

[1] Active Subspaces: Emerging Ideas for Dimension Reduction in Parameter Studies, Paul G. Constantine, 2015.
[2] Gradient-Based Dimension Reduction of Multivariate Vector-Valued Functions, Olivier Zahm, Paul G. Constantine, Clémentine Prieur, and Youssef M. Marzouk, SIAM Journal on Scientific Computing 2020 42:1, A534-A558
[3] Active subspace methods in theory and practice: applications to kriging surfaces, Paul G. Constantine, Eric Dow, Qiqi Wang


Profil du candidat

probabilités, statistiques, Python
Bac+4

Localisation du poste

Site

DAM Île-de-France

Localisation du poste

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

Ville

Bruyères-le-Châtel