Stage - Prédire la Dynamique des Systèmes Complexes avec l'Apprentissage Automatique H/F/X

Bienvenue chez Eviden, acteur clé du numérique de prochaine génération et leader mondial du cloud, du calcul avancé et de la sécurité !
Eviden opère dans tous les secteurs d’activité, et fait rayonner son expertise sur l’ensemble du continuum numérique.  Nous rejoindre, c’est à la fois une opportunité exaltante de contribuer au futur de la tech et d’agir pour le bien commun, tout en bénéficiant d’un environnement équitable et inclusif, entouré d’experts de haut niveau !
Aujourd’hui, et pour les générations à venir, ouvrons le champ des possibles. 
Vous êtes curieux, inventif et audacieux ? Rejoignez la #TeamEviden !

Contexte : Dans la division R&D BDS d'Eviden, l'équipe Agile AI4Sim conçoit et développe des solutions de Deep Learning (DL) pour les simulations numériques. L'objectif de l'équipe est d'appliquer l'IA et différentes technologies pour rendre la modélisation physique et la simulation numérique plus précises et efficaces.

Problématique : Ce projet se concentre sur la prédiction et la prévision des dynamiques futures de systèmes complexes, tels que les liquides, les verres, les poudres, les polymères, les cellules biologiques, ou même la dynamique des piétons, en utilisant des techniques d'intelligence artificielle (IA) de pointe. L'objectif est de créer un réseau de neurones interprétable et informé par la physique, capable de dévoiler les dynamiques complexes de ces systèmes et de fournir des informations précieuses pour en améliorer leur modélisation physique. Plus précisément, le problème physique des systèmes vitreux à basse température sera abordé en étendant l'architecture du Group Equivariant Neural Network [1] pour incorporer les deux principes de la thermodynamique [2], permettant ainsi un système d'IA plus interprétable et exploitable. Si le temps le permet, la méthodologie sera appliquée pour étudier, dans l'ordre :

• Les polymères, qui sont cruciaux pour la science des matériaux et les applications industrielles,
• La dynamique des cellules biologiques, telles que celles des cellules cancéreuses, fournissant des informations pertinentes pour les sciences biomédicales et de la santé.

(1) Pauline, et al. "Rotation-equivariant graph neural networks." SciPost Phys. 16, 136 (2024). (2) Hernández, et al. "Thermodynamics-Informed Graph Neural Networks" DOI : 10.1109/TAI.2022.3179681.

Pour bénéficier de l'expertise en physique, l'équipe AI4Sim collaborera étroitement avec le laboratoire de dynamique moléculaire (MD) LIPhy, basé à Grenoble. Les données synthétiques pour l'entraînement, la validation et les tests sont déjà disponibles et seront fournies par le laboratoire LIPhy.

Compétences requises :

• Maîtrise du framework Python/PyTorch avec une solide base en codage.
• Bonne connaissance des architectures de deep learning de base, par exemple MLPs, CNNs.

Compétences souhaitées :

• Connaissance et expérience avec les Graph Neural Networks (GNNs) et la bibliothèque associée PyTorch Geometric sont un plus.
• Curiosité pour les systèmes physiques complexes et enthousiasme pour le travail interdisciplinaire.
• Formation en physique.

Localisation : Echirolles (38130)

Niveau souhaité : Master 2

Durée du stage : 6 mois

Faire partie des pionniers d'Eviden, ça vous dit?
C'est justement cette audace et cette curiosité qu'on recherche chez nos talents pour grandir ensemble, transformer des possibilités en réalité pour nos clients et façonner le futur de la Tech et de la société.

Chez Eviden, diversité, équité et inclusion sont au cœur de notre politique RH. Nos métiers sont tous ouverts aux personnes en situation de handicap et ce, quelle que soit la nature de celui-ci. Grâce à nos programmes qui soutiennent toutes les diversités, nos collaborateurs et collaboratrices sont pleinement impliqués pour faire vivre cette culture de l’inclusion. 

Rejoignez notre communauté!