Stage Reinforcement Learning et Graph Neural Networks pour le Pilotage d'Architectures Électriques H/F

Description de l'offre

Retour

Stage Reinforcement Learning et Graph Neural Networks pour le Pilotage d'Architectures Électriques H/F

·  SAFRAN
·  11
·  18 mars, 2026
79,710

Description

Contexte : Au sein du centre de recherche SAFRAN, l'équipe architecture électrique oeuvre à optimiser la gestion et le pilotage des réseaux électriques embarqués des avions, domaines où robustesse, sécurité et efficacité sont impératifs. Les architectures électriques complexes de nouvelle génération se modélisent naturellement sous forme de graphes, pour représenter les connectivités et la dynamique des composants. Problématique : La complexité croissante des environnements modélisés (nombre de noeuds, d'arêtes, dynamiques multiples) rend les techniques classiques de reinforcement learning limitées en termes de temps de calcul et de capacité à capturer les dépendances topologiques. Les Graph Neural Networks (GNN) offrent une nouvelle approche prometteuse permettant de traiter efficacement des environnements structurés par des graphes. Objectifs du stage : - Explorer et développer des algorithmes de reinforcement learning hybrides intégrant des GNN, capables de prendre en compte la structure profonde des réseaux électriques de l'avion. - Adapter/préparer des environnements de simulation pour tester et valider ces algorithmes sur des cas représentatifs du pilotage électrique aéronautique (répartition de charge, résilience, reconfiguration dynamique). - Réaliser un benchmark des performances (précision, rapidité, robustesse) versus les approches classiques (DQN, PPO) et proposer des axes d'amélioration. - Contribuer à des publications scientifiques ou des brevets le cas échéant.

Date de début

17 mars, 2026

Profil

Élève-ingénieur(e) en dernière année ou en Master spécialisé en intelligence artificielle, data science ou informatique (Polytechnique, CentraleSupélec, Mines, ENS, etc.), avec : - Forte compétence en machine learning, - Des notions sur le RL et les GNN. - Bon niveau en programmation (Python, PyTorch, TensorFlow, etc.). - Capacités d'analyse, curiosité et goût pour l'innovation.

Répartition du temps de travail

Full time

Durée (Mois)

6

Formation

RJ/Qualif/Ingenieur_B5

Secteur

Ind_aero