Génération de microstructures 3D par Latent Diffusion Models (LDM) pour la conception inverse de matériaux hétérogènes

IFP Energies nouvelles - Lyon; Solaize; On-site; EUR 8,900 - 13,000; Part time

Job summary

IFP Energies Nouvelles – Lyon recherche un stagiaire de Master 2 en science des données et IA pour concevoir et évaluer un pipeline LDM 3D conditionné à la génération de microstructures hétérogènes. Vous entraînerez un VAE 3D et un modèle de diffusion dans l’espace latent et comparerez les métriques et la contrôlabilité.

Le stage se déroule sur le site de Solaize, près de Lyon, avec supervision par les chercheurs responsables.

Qualifications

• Stage de Master 2 ou dernière année d’école d’ingénieur en sciences des données et IA.
• Intérêt pour les microstructures et les modèles génératifs 3D.

Responsibilities

• Concevoir, implémenter et évaluer un pipeline LDM 3D conditionné.
• Entraîner un VAE 3D et un diffusion model dans l’espace latent.
• Comparer les métriques (FID, statistiques) et le conditionnement.
• Évaluer l’efficacité computationnelle jusqu’à 1283 voxels.

Skills

Science des données IA

Diffusion latente

Python

PyTorch

Education

Master 2 en science des données / IA

Tools

VAE

DDPM/Latent Diffusion

VAE 3D

Job description

Génération de microstructures 3D par Latent Diffusion Models (LDM) pour la conception inverse de matériaux hétérogènes

La maîtrise des microstructures est un enjeu stratégique pour les technologies liées aux énergies renouvelables. À l’échelle microscopique se jouent les phénomènes qui conditionnent les performances des matériaux : conductivité ionique et électronique, échanges thermiques, transport dans les pores, et initiation des modes de rupture et de vieillissement. Ces enjeux concernent notamment les catalyseurs utilisés dans les procédés de production de biocarburants ou de recyclage des plastiques, ainsi que les matériaux d’électrodes des batteries, dont les microarchitectures déterminent en partie les performances et la durabilité. Améliorer la compréhension et la conception de ces microarchitectures, c’est augmenter le rendement des systèmes et par conséquent réduire leur empreinte environnementale.

La génération de microstructures de matériaux hétérogènes constitue un verrou majeur dans la chaîne numérique procédé–structure–propriété (PSP). En disposant d’un générateur capable de synthétiser des microstructures réalistes et statistiquement représentatives, il devient possible d’alimenter des simulations de propriétés mécaniques, thermiques ou de transport sans avoir à multiplier les expériences physiques coûteuses.

Les modèles génératifs profonds ont progressivement supplanté les méthodes classiques (algorithme de Yeong-Torquato, champs aléatoires): les GANs ont d’abord montré leur efficacité sur des microstructures 2D, puis les modèles de diffusion (DDPM/DDIM) ont atteint un niveau de qualité et de diversité supérieur, sans les problèmes de mode collapse ni d’instabilité d’entraînement inhérents aux GANs.

Cependant, l’application directe du DDPM à des volumes 3D (voxels) se heurte rapidement à un mur computationnel: un volume de 128³ voxels contient plus de 2millions de variables, rendant l’entraînement et l’inférence très lourds. Les Latent Diffusion Models (LDM), popularisés dans le domaine de la synthèse d’images haute résolution, offrent une réponse élégante: un auto-encodeur variationnel (VAE) compresse l’espace voxel en une représentation latente de dimension réduite, et c’est dans cet espace que la diffusion est effectuée.

Description:

Concevoir, implémenter et évaluer un pipeline LDM 3D conditionné pour la génération de microstructures de matériaux hétérogènes, en remplacement du DDPM voxel existant.

• Entraîner un VAE 3D (ou VQ-VAE) capable de comprimer des volumes de microstructures en représentations latentes compactes et régulières, tout en conservant les descripteurs microstructuraux clés (fonctions de corrélation à deux points, fraction volumique, connectivité).
• Implémenter un modèle de diffusion conditionné (classifier-free guidance) opérant dans l’espace latent du VAE, avec conditionnement sur une ou plusieurs propriétés physiques scalaires ou vectorielles.
• Comparer quantitativement le LDM au DDPM de référence sur des métriques de qualité (FID adapté aux volumes, descripteurs statistiques) et de contrôlabilité (précision du conditionnement).
• Évaluer le gain en efficacité computationnelle (temps d'entraînement, temps d'inférence, empreinte mémoire GPU) pour des résolutions allant jusqu'à 128³ voxels.

Bibliographie:

Plusieurs travaux récents valident notre approche dans des contextes proches :

• Lyu X., Ren X. — Microstructure reconstruction of 2D/3D random materials via diffusion-based
  deep generative models. Scientific Reports 14, 5041 (2024). DOI: 10.1038/s41598-024-54861-9.
  [Reconstruction conditionnelle 2D/3D par DDPM, conditionnement sur la perméabilité, validation par la méthode de Boltzmann sur réseau.]
• Chen C., Jiang T., Wei X., Wang Y. — PolyCrysDiff: Controllable Generation of Three-
  Dimensional Computable Polycrystalline Material Structures. arXiv:2603.11695 [cs.CV] (mars
  2026). [Framework LDM conditionnel 3D pour microstructures polycristallines (VAE 3D + diffusion
  latente), R² > 0,972 sur les attributs de grains (taille, sphéricité), validé par CPFEM.]
• Baishnab N., Herron E., Balu A., Sarkar S., Krishnamurthy A., Ganapathysubramanian B. —3D Multiphase Heterogeneous Microstructure Generation Using Conditional Latent DiffusionModels. Digital Discovery 4, 3175–3190 (2025). DOI: 10.1039/D5DD00159E. [Framework LDMconditionnel 3D pour microstructures ulti-phases hétérogènes, conditionnement sur la fraction volumique et la tortuosité, génération en quelques secondes à 128×128×64 voxels.]

Profil recherché:

Stage de M2 ou de dernière année d’école d’ingénieur, avec spécialisation en science des données et IA

Superviseurs : Julien Peyrelon et Jean-François Lecomte
Lieu : IFPEN Solaize (Au Sud de Lyon)

Moyens de transport : IFP Énergies Nouvelles – Solaize est situé à 20 km au sud de Lyon. Un moyen de transport personnel est recommandé, mais des solutions de transport en commun sont mises en place pour rejoindre le site : des navettes assurent des trajets aller et retour au départ des gares d’Oullins et de Vénissieux et l’IFPEN, l’application Karos (covoiturage) est sponsorisée par TCL, le vélo est une option, et il est possible de combiner train et bus