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
SL-DES-24-0158
Description du sujet de thèse
Domaine
Sciences pour l'ingénieur
Sujets de thèse
Apport des Physics-Informed Neural Neworks pour la simulation de problèmes complexes en physique
Contrat
Thèse
Description de l'offre
Une nouvelle méthode d'approximation des solutions d'équations aux dérivées partielles grâce à des Réseaux de Neurones ont récemment connu un gain de popularité. Ces méthodes, appelées Physics-Informed Neural Networks (PINNs) sont issues de récentes avancées dans le domaine de l'Intelligence Artificielle. Elles amènent un nouveau paradigme en comparaison des méthodes numériques conventionnelles comme les Volumes finis ou les Éléments finis. Le principe de la méthode consiste à embarquer le modèle physique d'intérêt dans la fonction de coût, qui minimise alors le résidu des opérateurs. Bien que ces méthodes fournissent des résultats prometteurs sur des problèmes académiques, elles soulèvent de nombreuses questions concernant leurs bénéfices sur des problèmes physiques complexes ainsi que leurs propriétés mathématiques. Ce projet de thèse a pour objectif d'étudier ces deux aspects.
Le ou la candidate s'appropriera l'approche PINNs à travers une étude de l'état de l'art afin de comprendre leur potentiel d'application sur des cas industriels. Nous proposons par la suite de se concentrer sur plusieurs problèmes mettant en jeu des types de complexités différentes. Ces problèmes proviendront de cas d'applications physiques d'intérêt comme les écoulements diphasiques ou le couplage neutronique-thermohydraulique.
Université / école doctorale
Ecole Doctorale de Mathématiques Hadamard (EDMH)
Paris-Saclay
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
M2 Méthodes numériques et/ou spécialisation Deep Learning
Demandeur
Disponibilité du poste
01/10/2024
Personne à contacter par le candidat
DANIEL Geoffrey geoffrey.daniel@cea.fr
CEA
DES/ISAS/DM2S/SGLS/LIAD
Centre d’Etudes de Saclay
DM2S/SGLS, Bât 451
91191 Gif sur Yvette
01 69 08 57 49
Tuteur / Responsable de thèse
KOKH Samuel samuel.kokh@cea.fr
CEA
DES/DM2S/SGLS/LCAN
Centre d’Etudes de Saclay
DM2S/SGLS, Bât 451
91191 Gif sur Yvette
0169085456
En savoir plus
https://skokh.pages.math.cnrs.fr/homepage/