Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
2026-42022
Description de l'unité
Au sein du CEA-LIST, les laboratoires du Département Instrumentation Numérique travaillent au développement et au transfert industriel de technologies de pointe en IA. Le périmètre technique de nos ingénieurs et chercheurs concerne l'analyse des signaux (c'est-à-dire des séries temporelles, mais aussi des spectres) produits par les équipements développés en interne, par les équipes du CEA, ou par des sociétés externes. L'exploitation de ces données repose sur un large spectre de méthodes d'apprentissage machine, relevant de l'IA numérique (réseaux de neurones profonds, forêts aléatoires, SVM) et de l'IA symbolique (systèmes à base de connaissances).
Vous intégrerez une équipe de 5 permanents travaillant sur la plateforme ExpressIF – une intelligence artificielle symbolique entièrement développée par l'équipe dont l'intérêt est d'être interprétable : https://expressif.cea.fr/
Description du poste
Domaine
Systèmes d'information
Contrat
Stage
Intitulé de l'offre
Stage - De la probabilité à la possibilité pour l'apprentissage neurosymbolique avec les LTNs-Saclay-H/F
Sujet de stage
Ce stage porte sur l'apprentissage neurosymbolique, qui combine la capacité des réseaux de neurones à apprendre à partir de données et l'interprétabilité des méthodes symboliques fondées sur des règles logiques. Le Logic Tensor Network (LTN) permet notamment d'intégrer des contraintes logiques à l'apprentissage en utilisant les sorties des réseaux de neurones comme degrés de vérité floue. Cependant, ces sorties sont généralement interprétées comme des probabilités, alors que leur utilisation dans un LTN leur attribue une sémantique différente. Le stage étudiera l'utilisation de la théorie des possibilités comme représentation intermédiaire entre probabilités et degrés de vérité. L'objectif sera de réaliser un état de l'art des transformations permettant de passer d'une distribution probabiliste à une représentation possibiliste, puis d'implémenter et d'évaluer plusieurs de ces transformations dans un LTN.
Durée du contrat (en mois)
6 mois
Description de l'offre
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions. Éventuellement, les travaux menés donneront lieu à une publication scientifique.
Contexte :
Les méthodes symboliques en IA permettent d’exprimer des règles logiques interprétables par l’humain et de contraindre le comportement d’un système. À l’inverse, les réseaux de neurones généralisent à partir de données, mais leur fonctionnement en « boîte noire » complique la vérification du respect de contraintes prédéfinies.
Le Logic Tensor Network (LTN) combine réseaux de neurones et contraintes logiques dans un même processus d’apprentissage. Les réseaux représentent des prédicats logiques dont les sorties sont interprétées comme des degrés de vérité floue. La satisfaction des formules logiques peut être intégrée à la fonction de perte afin de guider l’apprentissage, notamment pour la détection d’anomalies.
Cependant, les sorties des réseaux sont généralement interprétées comme des probabilités en classification, tandis qu’elles représentent des degrés de vérité dans un LTN. Malgré leur intervalle commun entre 0 et 1, ces valeurs ont des sémantiques différentes.
La théorie des possibilités offre un autre cadre de représentation de l’incertitude, lié aux probabilités et à la logique floue. Ce stage étudiera l’hypothèse selon laquelle une représentation possibiliste pourrait mieux adapter les sorties neuronales à leur utilisation comme degrés de vérité, sans supposer une équivalence sémantique entre ces notions.
Qu'attendons-nous de vous?
Le travail consistera à réaliser un état de l’art des transformations probabilistes vers possibilistes, puis à en sélectionner et implémenter plusieurs dans un LTN. Leurs résultats seront comparés à ceux d’une approche utilisant directement les probabilités comme degrés de vérité floue.
Enfin, l’étude évaluera l’impact de ces représentations sur les performances de classification et la satisfaction des contraintes logiques.
# Cea List
Moyens / Méthodes / Logiciels
Python
Profil du candidat
Profil :
Nous recherchons un(e) étudiant(e) en deuxième année de Master/troisième année d’école d’ingénieur, de spécialité(s) Informatique/Mathématiques, avec :
- Un intérêt pour les thématiques d'intelligence artificielle
- À l'aise avec la théorie des probabilités et des ensembles floues ;
- Un intérêt pour la recherche scientifique et technologique ;
- De bonnes compétences en python ;
- Maîtrise de TensorFlow ;
- Un bon niveau d'anglais.
Localisation du poste
Site
Saclay
Localisation du poste
France, Ile-de-France, Essonne (91)
Ville
Saclay
Critères candidat
Langues
- Anglais (Intermédiaire)
- Français (Courant)
Diplôme préparé
Bac+5 - Master 2
Possibilité de poursuite en thèse
Non
Demandeur
Disponibilité du poste
01/02/2027
Je me crée un espace candidat
