Les réseaux de neurones artificiels ont prouvé leur capacité d'interpolation dans de nombreux domaines : le but de cette étude est de la tester sur des équations d'état tabulées. Plus précisément, on s'intéresse aux réseaux informés sur la physique (Physics Informed Neural Networks ou PINN) qui répondent à des lois physiques définies par des équations différentielles partielles. En effet, une des contraintes physiques que doivent respecter ces équations d'état est la cohérence thermodynamique : des articles récents ont montré que des PINNs étaient capables d'imposer cette contrainte et d'atteindre des taux de précision élevés. La mise en concurrence de cette technique avec d'autres plus classiques (par exemple des interpolateurs de type splines) permettra d'éprouver les éventuelles limites des PINNs, notamment en testant la robustesse au bruit. Durant ce stage, le(la) stagiaire aura l'opportunité d'acquérir des compétences dans plusieurs domaines, notamment en implémentation numérique (schéma numérique, interpolation), en deep learning, et en physique des plasmas.

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.

Expérience dans l'utilisation d'une librairie de deep learning (Tensorflow, Keras ou Pytorch) recommandée.
Python, Deep learning, Calcul numérique
Bac+4/+5