STAGE :Prédiction des propriétés d'alliages métalliques/quantification des incertitudes (small data) F/H

Safran; Châteaufort; On-site; EUR 6,700 - 11,000; Full time

Job summary

Safran Group, acteur clé de l'aéronautique, recherche un/une stagiaire en apprentissage statistique et quantification des incertitudes pour prédire les propriétés des alliages métalliques en contexte small data.

Étudiant·e en première ou deuxième année de master en mathématiques appliquées, statistiques ou sciences informatiques, vous maîtrisez Python (OOP, scikit-learn, PyTorch) et savez mener des validations rigoureuses. Vous travaillerez en collaboration avec des experts ML et matériaux.

Qualifications

• Étudiant·e en master en mathématiques appliquées, statistiques ou sciences informatiques.
• Maîtrise de Python (OOP, scikit-learn, PyTorch) et capacités d’analyse critique.
• Démarches de validation rigoureuses requises.

Responsibilities

• Concevoir et évaluer des méthodologies de modélisation en contexte small data.
• Mettre en œuvre un pipeline ML modulaire en Python et évaluer l’incertitude.
• Collaborer avec les experts ML et matériaux pour évaluer la pertinence des approches.

Skills

Python programming

Object-oriented programming

Scikit-learn

PyTorch

Critical thinking

Education

Master en mathématiques appliquées / statistiques / sciences informatiques

Tools

Python

scikit-learn

PyTorch

Job description

Intitulé : Développement de modèles d'apprentissage statistique et quantification robuste des incertitudes pour la prédiction de propriétés d'alliages métalliques en contexte small data

Contexte

Les enjeux de décarbonation du transport aérien, d'amélioration des performances des moteurs et de réduction des cycles de développement imposent l'émergence de nouvelles méthodologies de conception des matériaux. Dans ce contexte, l'apprentissage automatique constitue aujourd'hui un outil particulièrement prometteur pour établir des liens complexes entre composition chimique, paramètres des procédés et propriétés d'usage. Toutefois, les applications industrielles en science des matériaux restent confrontées à plusieurs défis majeurs : la rareté des données disponibles, les risques de mauvaise généralisation des modèles lorsque l'on extrapole vers de nouveaux domaines de conception, ainsi que la difficulté à quantifier de manière fiable le niveau de confiance associé aux prédictions.

Objectifs

L'objectif du projet est de développer et d'évaluer des méthodologies avancées de modélisation statistique destinées à la prédiction des propriétés de matériaux métalliques en contexte small data, avec un accent particulier sur la quantification des incertitudes et la capacité de généralisation des modèles.

Les travaux s'articuleront notamment autour des axes suivants :

• Analyse des bases de données fournies par Safran pour extraire les caractéristiques pertinentes et préparer les modèles d'apprentissage ;
• Exploration de modèles de fondation tabulaires pré-entraînés, notamment TabPFN-3 ;
• Estimation des incertitudes prédictives associées aux modèles ;
• Simulation de scénarios de généralisation sévères.

Déroulement

Les travaux s'appuieront sur un pipeline de machine learning modulaire développé en Python (un « laboratoire numérique ») permettant d'intégrer différentes briques de préparation de données, d'entraînement, de validation et d'analyse d'incertitudes. Dans un premier temps, une étude bibliographique sera menée afin d'identifier les approches les plus pertinentes pour la modélisation tabulaire et la quantification des incertitudes dans les contextes industriels à faible volume de données. Dans un second temps, plusieurs familles de modèles seront implémentées et comparées sur des jeux de données représentatifs de la prédiction de propriétés d'alliages métalliques (alliages à base Ni, Ti, Fe ou Al). Une attention particulière sera portée à la qualité des estimations d'incertitude et à leur cohérence vis-à-vis des performances observées en généralisation.

Ce stage sera conduit en collaboration immédiate avec des experts des domaines d'intérêt (ML et matériaux métalliques), qui accompagneront le développement du pipeline et en évalueront la pertinence. Étudiant·e en première ou deuxième année de master en mathématiques appliquées, statistiques ou sciences informatiques, disposant de solides compétences en programmation avancée en Python (OOP, scikit-learn, PyTorch) et de capacités d'analyse critique et de mise en œuvre rigoureuse de démarches de validation. Une curiosité envers le domaine des matériaux est un plus sans être nécessaire.