Stage - bac+4/+5 - comparaison de modèles génératifs par apprentissage profond - h/f

Ce stage relève de l'apprentissage non supervisé et des statistiques. L'objectif est de s'approprier plusieurs méthodes permettant de réaliser un modèle génératif de quantités physiques (en grande dimension) obtenues par la simulation.
Les études de propagation d'incertitude dans la simulation sont facilement réalisables lorsqu'elles reposent sur des variations de paramètres physiques ou numériques. Lorsque les simulations dépendent de conditions aux limites, par exemple une donnée physique temporelle expérimée aux noeuds de toute une ligne d'un maillage, une stratégie possible consiste à apprendre un modèle permettant de générer de nouvelles conditions aux limites représentatives de la statistique observée sur quelques calculs. Plusieurs méthodes basées sur l'apprentissage profond permettent de répondre à cet objectif. Actuellement, des cas d'applications sont traités par l'équipe en utilisant les auto-encodeurs [1] ou les réseaux adversariaux génératifs [2]. Le but est maintenant de s'approprier les enjeux associés aux modèles de diffusion [3].
Le stage débutera par une phase d'étude bibliographique qui permettra à l'étudiant(e) d'appréhender les différentes méthodes usuelles par difficulté croissante permettant de réaliser des modèles génératifs. Un cas d'application sera proposé en parallèle pour implémenter les méthodes afin d’en acquérir une compréhension plus fine.
[1] Learning Internal Representations by Error Propagation, D. E. Rumelhart and J. L. McClelland, 1987.
[2] Generative adversarial network, Goodfellow et. al., 2014.
[3] Denoising diffusion probabilistic models, J. Ho and A. Jain and P. Abbel, 2020.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes en situation de handicap, cet emploi est ouvert à tous et toutes. Participant à la protection nationale, une enquête administrative est réalisée pour tous les salariés du CEA afin d'assurer l'intégrité et la sécurité de la nation.

probabilités, statistiques, machine learning, Python, R
Bac+4/+5