STAGE - Ingénieur Optimisation Bayésienne multi-fidélité (F/H)

Dassault Systèmes; France; Remote; EUR 6,700 - 13,000; Part time

Job summary

Dassault Systèmes recherche un stagiaire ingénieur pour poursuivre des travaux sur l’optimisation bayésienne multi-fidélité et améliorer les méthodes existantes. Vous travaillerez sur des prototypes, avec des cas académiques puis industriels, et présenterez des résultats au sein de l’équipe et d’autres départements.

Vous êtes étudiant en Master 2 / Bac+5, avec des notions fortes en mathématiques appliquées et en analyse numérique, et un intérêt pour la simulation numérique de phénomènes

Qualifications

• Master 2 / Bac+5 en école d’ingénieur ou université avec solides connaissances en mathématiques appliquées et analyse numérique.
• Intérêt marqué pour la simulation numérique de phénomènes physiques.
• Maîtrise de Python et/ou C++.

Responsibilities

• Recherche: état de l’art sur l’optimisation mixte multi-objectif en multi-fidélité.
• Développement: implémentation et validation des méthodes.
• Application: tests sur des cas académiques puis industriels (conception, calibration, etc.).
• Restitution: rapports techniques et présentations orales (équipe + autres départements).

Skills

Python

C++

Bayesian statistics

Communication

Education

Master 2 / Bac+5

Job description

STAGE - Ingénieur Optimisation Bayésienne multi-fidélité (F/H)

Notre équipe Recherche développe et évalue des technologies innovantes via des prototypes pour maintenir notre expertise sur les enjeux techniques stratégiques.

Les méthodes numériques itératives (optimisation, quantification d’incertitude) nécessitent des milliers d’appels à des simulateurs, souvent coûteux. Les approches multi-fidélité combinent plusieurs simulateurs et données expérimentales (précisions et coûts variables) pour rendre ces études industrielles viables.

Problématique : Les méthodes traditionnelles utilisent des Processus Gaussiens (GP) pour modéliser les quantités d’intérêt et estimer les incertitudes (clé pour l’optimisation bayésienne). Pour traiter la plupart des problèmes industriels, des adaptations doivent être apportées.

L’objectif du stage sera de poursuivre les travaux sur l’optimisation bayésienne en apportant des améliorations clés :

• Augmenter la dimension des problèmes résolvables (ex. : Processus Gaussiens Sparses)
• Traiter des variables discrètes et catégorielles
• Gérer plusieurs objectifs concurrents
• Adapter ces méthodes à la multi-fidélité pour des cas industriels réels

Plus concrètement, vos missions principales s’articuleront sur :

• Recherche : État de l’art sur l’optimisation mixte multi-objectif en multi-fidélité
• Développement : Implémentation et validation des méthodes
• Application : Tests sur des cas académiques puis industriels (conception, calibration, etc.)
• Restitution : Rapports techniques et présentations orales (équipe + autres départements)

Vous êtes actuellement en Master 2 / Bac+5 (école d’ingénieur ou université) avec de solides connaissances en mathématiques appliquées et analyse numérique, et un intérêt marqué pour la simulation numérique de phénomènes physiques.

Compétences techniques :

• Programmation : Maîtrise de Python et/ou C++
• Statistiques : Notions en approche Bayésienne
• Communication : Rédaction synthétique et présentations orales percutantes

Curieux(se), rigoureux(se) et autonome, vous faites preuve d’initiative et de force de proposition.

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au cœur de l’innovation technologique, portée par une forte croissance depuis plus de 40 ans.

Un environnement collaboratif et innovant

Une diversité de technologies, produits et solutions

Un engagement fort en faveur de la diversité et de l’inclusion