Apprentissage profond informé par la physique pour le contrôle non destructif

CEA; Saclay; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Un institut de recherche en sciences propose une thèse sur l'apprentissage profond informé par la physique pour le contrôle non destructif. Le candidat développera des modèles profonds pour détecter des défauts dans les composants sans les endommager. Ce projet requiert un Master 2 en mathématiques appliquées ou sciences des données et une motivation pour l'interdisciplinarité entre ingénierie et intelligence artificielle. Le rôle est basé à Saclay.

Qualifications

• Formation en mathématiques appliquées ou en sciences des données.
• Motivation pour l'interdisciplinarité entre sciences de l'ingénieur et intelligence artificielle.

Responsabilités

• Développer des modèles profonds pour le contrôle non destructif.
• Explorer des approches de deep learning informé par la physique.
• Travailler sur des systèmes embarqués.

Connaissances

Apprentissage automatique

Mathématiques appliquées

Intelligence artificielle

Modélisation physique

Formation

Master 2/Diplôme d'ingénieur

Description du poste

Description du sujet de thèse

Domaine Sciences pour l\'ingénieur

Sujets de thèse

Apprentissage profond informé par la physique pour le contrôle non destructif

Contrat

Thèse

Description de l'offre

Ce projet de thèse s\'inscrit dans le domaine du contrôle non destructif (CND), un ensemble de techniques qui permettent de détecter des défauts dans des structures (câbles, matériaux, composants) sans les endommager. Le diagnostic repose sur des mesures physiques (réflectométrie, ultrasons...), dont l\'interprétation nécessite de résoudre des problèmes inverses souvent mal posés.

Les approches classiques par algorithmes itératifs sont précises mais coûteuses en calcul et difficiles à embarquer pour un traitement proche du capteur. Le travail proposé vise à dépasser ces limites en explorant des approches de deep learning informé par la physique notamment :

• des réseaux neuronaux inspirés des algorithmes classiques (méthode d\'unrolling)
• des PINNs (Physics-Informed Neural Networks) qui intègrent directement les lois physiques dans l\'apprentissage
• des modèles différentiables simulant la mesure (réflectométrie notamment)

L\'objectif est de développer des modèles profonds interprétables dans un cadre modulaire pour le CND, capables de fonctionner sur des systèmes embarqués. Le cas d\'étude principal concernera les câbles électriques (TDR/FDR), avec une ouverture possible vers d\'autres modalités comme les ultrasons. Cette thèse combine optimisation, apprentissage et modélisation physique, et s\'adresse à un profil motivé par l\'interdisciplinarité entre sciences de l\'ingénieur, mathématiques appliquées et intelligence artificielle.

Université / école doctorale

Sciences et Technologies de l\'Information et de la Communication (STIC) Paris-Saclay

Localisation du sujet de thèse

Site Saclay

Critères candidat

Formation recommandée Master 2/Diplôme d\'ingénieur en mathématiques appliquées/sciences des données

Demandeur

Disponibilité du poste 01/11/2025

Personne à contacter par le candidat

NGOLE MBOULA Fred Maurice [e-mail]
CEA
DRT/LIST/DIN/SMCD/LIIDE
CEA-Saclay, Digiteo
0169081194

Tuteur / Responsable de thèse

GOUY-PAILLER Cédric [e-mail]
CEA
DRT/DIN//LIIDE
CEA Saclay
Bâtiment 565, PC 192
91 191 Gif-sur-Yvette
01 69 08 41 87

En savoir plus

https://www.linkedin.com/in/ngole-mboula/