Informations générales

Entité de rattachement

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 110 000 collaborateurs pour un chiffre d'affaires de 31,3 milliards d'euros en 2025, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.

Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2025 » du magazine TIME.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.
  

Référence

2026-188861  

Bloc personnalisable n°3

Type de poste

Externe

Description du poste

Domaine métier

Recherche, conception et développement

Métier / Emploi

Mathematiques et algorithmes - Mathematiques

Intitulé du poste

STAGE : Surrogate modeling hybride pour systèmes physiques F/H

Type contrat

Stage

Durée du contrat

6 mois

Statut (CSP)

Etudiant

Temps de travail

Temps complet

Parlons de votre future mission

Dans le secteur aéronautique, les simulateurs physiques jouent un rôle clé pour la conception, l'analyse et la maintenance des systèmes : ils permettent d'étudier des phénomènes complexes dans des situations très variées. Toutefois, leur coût de calcul élevé limite leur usage lorsqu'ils doivent être sollicités de manière répétée (optimisation, études paramétriques, analyses d'incertitude, jumeaux numériques, etc.).

Les modèles de substitution basés sur l'intelligence artificielle offrent une alternative prometteuse pour reproduire rapidement le comportement de ces simulateurs. Cependant, les modèles purement data-driven peuvent manquer de robustesse et de fiabilité sur des domaines mal représentés ou avec peu de données disponibles.

Le stage proposé vise à explorer et développer des approches hybrides de surrogate modeling qui intègrent à la fois l'apprentissage à partir des données et l'exploitation de connaissances physiques ou métiers (contraintes, relations entre variables, structures systèmes, informations issues de modèles simplifiés…). Cet apport de connaissances visera à améliorer la robustesse, la cohérence physique, la capacité de généralisation des modèles et à réduire les besoins en données.

Après une revue des méthodes récentes, le ou la stagiaire définira, développera et comparera différentes stratégies (réseaux de neurones contraints par la physique, Neural Operators, modèles hybrides, modèles génératifs tels que diffusion ou flow matching selon les besoins…). Les méthodes seront évaluées sur des cas industriels Safran à partir de critères tels que précision, coût de calcul, robustesse, cohérence physique et quantité de données requise. Une attention particulière sera portée à la généralisation des modèles à de nouvelles conditions de fonctionnement.

Le stage consistera à :

- Réaliser une veille bibliographique sur les méthodes de surrogate modeling hybrides
- Implémenter des prototypes en Python et PyTorch
- Conduire des expérimentations et analyser les résultats obtenus
- Évaluer les compromis entre la complexité des architectures, l'intégration des connaissances physiques et les performances atteintes
- Formuler des recommandations sur les approches les plus adaptées aux cas industriels étudiés

Mais encore ? (avantages, spécificités, …)

Bibliographie sur le sujet :
[1] Willcox, K. A Survey of Projection-Based Model Reduction Methods for Parametric Dynamical Systems. SIAM Review, 2015.
[2] Raissi, M., Perdikaris, P., & Karniadakis, G. Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations. Journal of Computational Physics, 2019.
[3] Kovachki, N., et al. Neural Operator: Learning Maps Between Function Spaces. Journal of Machine Learning Research, 2023.
[4] Zhou, K., et al. Domain Generalization: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2023.
[5] Brunel, L., Balesdent, M., Brevault, L., Le Riche, R., & Sudret, B. A Survey on Multi-Fidelity Surrogates for Simulators with Functional Outputs: Unified Framework and Benchmark. Computer Methods in Applied Mechanics and Engineering, 2025.

Parlons de vous

- Formation Bac+5 (école d'ingénieurs ou master) en intelligence artificielle, mathématiques appliquées ou informatique
- Solides connaissances en machine learning et deep learning
Maîtrise de Python (PyTorch apprécié)
- Rigueur, autonomie et curiosité
- Connaissances en modèles de substitution ou méthodes physics-informed appréciées
- Bon niveau d'anglais technique

Localisation du poste

Localisation du poste

Europe, France, Ile de France, YVELINES (78)

Ville

Critères candidat

Niveau d'études min. requis

BAC+5

Niveau d'expérience min. requis

Jeune diplômé-e/Première expérience

Langues

Anglais (Courant)