STAGE : pour les modèles de substitution en simulations physiques – Partie II F/H

Description de l'offre

STAGE : pour les modèles de substitution en simulations physiques – Partie II F/H

Détail de l'offre

Informations générales

Entité de rattachement

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.

Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2024 » du magazine TIME.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi

Référence

2026-202064-175057

Description du poste

Intitulé du poste

STAGE : pour les modèles de substitution en simulations physiques – Partie II F/H

Type contrat

Stage

Durée du contrat

6 mois

Statut (CSP)

Etudiant

Temps de travail

Temps partiel

Parlons de votre future mission

Contexte

Les modèles de substitution basés sur le deep learning, tels que les GNN, les transformers sur maillages et les modèles à ordre réduit, sont de plus en plus utilisés pour accélérer les simulations physiques, mais nécessitent un entraînement et une ingénierie spécifiques à chaque tâche. Récemment, des modèles fondation pour données tabulaires (par exemple TabPFN) ont été proposés comme modèles sans entraînement, capables de s'adapter à de nouvelles tâches uniquement via le conditionnement. Leur pertinence pour les données issues de simulations physiques reste largement inexplorée.

SafranTech a déjà benchmarké plusieurs approches de modélisation de substitution dans le cadre du framework PLAID (https://huggingface.co/PLAIDcompetitions), fournissant une base de référence solide pour la comparaison.

Ce stage s'inscrit dans la continuité d'un premier stage débutant en avril 2026.

Objectifs

Le stage vise à :

· 
Évaluer si les modèles fondation pour données tabulaires peuvent servir de substituts viables pour les simulations physiques en utilisant uniquement le conditionnement.

· 
Comparer leur précision et leur robustesse avec les méthodes de deep learning existantes benchmarkées dans PLAID.

· 
Évaluer leur débit de calcul et leur passage à l'échelle pour un usage industriel à grande échelle.

Plan de travail

·  Bibliographie et mise en place des benchmarks

Étudier les modèles fondation pour données tabulaires et la modélisation de substitution en physique. Se familiariser avec les datasets, les métriques et les baselines de PLAID.

·  Expériences sur grilles régulières

Appliquer les modèles fondation directement aux sorties de simulations physiques définies sur des grilles régulières. Comparer la précision et le coût d'inférence avec les baselines PLAID existantes.

·  Analyse du débit et de la scalabilité

Évaluer le temps d'inférence, l'utilisation mémoire et la scalabilité en batch, et comparer l'inférence par conditionnement seul avec celle des modèles entièrement entraînés.

·  Maillages non structurés via représentations latentes

Étendre l'approche aux maillages non structurés à l'aide d'embeddings latents (par exemple POD ou autoencodeurs), et comparer avec des modèles prenant en compte la structure du maillage.

·  Analyse et limites

Identifier les modes d'échec, les limites de passage à l'échelle et les domaines d'applicabilité des modèles fondation en simulations physiques.

Résultats attendus

· 
Une comparaison quantitative entre les modèles fondation et les modèles de substitution de pointe en physique.

· 
Des conclusions claires sur les compromis précision–vitesse.

· 
Des recommandations pratiques pour les workflows de simulation industrielle.

Mais encore ? (avantages, spécificités, …)

References

[1] Fabien Casenave et al., “Physics-Learning AI Datamodel (PLAID) datasets: a collection of physics simulations for machine learning.”

arXiv preprint, May 2025.

[2] Grinsztajn et al., “TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models.”

arXiv preprint, Nov 2025.

[3] Bansal & Gangwani, “Light-Weight Benchmarks Reveal the Hidden Hardware Cost of Zero-Shot Tabular Foundation Models.”

arXiv preprint, Nov 2025.

Parlons de vous

Profil recherché

· 
Formation en simulations numériques / mathématiques appliquées.

· 
Expérience de base en réseaux de neurones et programmation différentiable avec PyTorch.

· 
Maîtrise de la programmation en Python.

· 
Capacité à travailler de manière autonome et en collaboration dans un environnement de recherche.

Localisation du poste

Localisation du poste

Europe, France, Ile de France, YVELINES (78)

Ville

Rue des jeunes bois 78117 Châteaufort

Critères candidat

Niveau d'études min. requis

BAC+3, BAC+4

Niveau d'expérience min. requis

Jeune diplômé-e/Première expérience