Thèse CIFRE IA Physique-Informed pour Santé des Moteurs

SAFRAN SA (FRANCE); Châteaufort; On-site; EUR 18,000 - 23,000; Full time

Job summary

Safran Tech, centre de recherche du groupe Safran, propose une thèse CIFRE en intelligence artificielle et traitement de séries temporelles. Vous développerez des méthodes d'apprentissage profond pour estimer des grandeurs internes des systèmes aéronautiques et conduire des analyses de santé des composants.

Le projet explore les architectures Transformer et les modèles génératifs probabilistes, avec l’intégration de contraintes physiques et l’inférence inverse, en collaboration avec le GREYC.

Qualifications

• Diplôme Bac+5 (Master 2, diplôme d'ingénieur ou équivalent) en IA, mathématiques appliquées ou traitement du signal.
• Solides connaissances en machine learning et deep learning, probabilités, statistiques et optimisation.
• Maîtrise de Python et expérience pratique avec PyTorch.
• Conception de modèles fondation pour séries temporelles multivariées avec intégration de contraintes physiques.
• Intérêt pour physics-informed / physics-aware ML et l'inférence inverse.

Responsibilities

• Développer des modèles de fondation pour séries temporelles multivariées intégrant des connaissances physiques.
• Adapter des architectures Transformer et des modèles génératifs probabilistes.
• Évaluer les méthodes sur données simulées et réelles et étudier la détection d’anomalies.
• Publier les résultats dans des contextes internationaux.

Skills

Machine learning

Deep learning

Mathématiques appliquées

Probabilités

Statistiques

Optimisation

Python

PyTorch

Séries temporelles

Physique / systèmes

Education

Master 2 recherche ou diplôme d'ingénieur équivalent

Tools

Python

PyTorch

Transformers

Diffusion

Flow matching

Job description

Safran Tech, centre de recherche du groupe Safran, propose une thèse CIFRE en intelligence artificielle et traitement de séries temporelles. Vous développerez des méthodes d'apprentissage profond pour estimer des grandeurs internes des systèmes aéronautiques et conduire des analyses de santé des composants.

Le projet explore les architectures Transformer et les modèles génératifs probabilistes, avec l’intégration de contraintes physiques et l’inférence inverse, en collaboration avec le GREYC.