Objectifs du stage • L'objectif principal est de développer et valider des méthodes d'optimisation géométrique et topologique reposant sur des modèles de substitution et des modèles de diffusion. • L'enjeu est de réduire fortement le nombre de simulations numériques nécessaires à l'optimisation tout en garantissant la pertinence physique et la qualité des solutions générées. • Le stagiaire contribuera au développement d'algorithmes d'optimisation s'appuyant sur des modèles de substitution basés sur l'apprentissage profond et sur des modèles génératifs de type diffusion. Les approches développées seront évaluées au regard de leur validité physique et numérique. Déroulement du stage Phase 1 : Développement des méthodes • Préparation et analyse des données issues des simulations numériques. • Participation à l'entraînement et à l'adaptation des modèles d'apprentissage. • Définition des variables de conception, des fonctions objectives et des contraintes. • Développement d'algorithmes d'optimisation géométrique et topologique. Phase 2 : Validation et évaluation • Validation des solutions obtenues à l'aide de simulations numériques de référence. • Évaluation de la pertinence physique des conceptions générées. • Analyse comparative des performances et de la robustesse des différentes approches. Missions principales • Préparer et analyser les données de simulation. • Développer, entraîner ou adapter des modèles de substitution (surrogate models) et des modèles de diffusion. • Concevoir et implémenter des algorithmes d'optimisation géométrique et topologique. • Vérifier la cohérence physique des géométries générées. • Évaluer la qualité et la cohérence physique des prédictions fournies par les modèles d'apprentissage, notamment la validité des gradients prédits par les réseaux de neurones. • Comparer les performances, la robustesse et les coûts de calcul des différentes approches développées.