Stage : quantification d'incertitude pour la prédiction des modèles d'ia en cfd

Dans le but d'atteindre de meilleures prestations tout en garantissant un coût abordable pour ses véhicules, le Groupe STELLANTIS s'appuie sur la modélisation numérique pour concevoir ses véhicules. Afin d'accélérer les processus de conception, dans le domaine de la CFD (Computational Fluid Dynamics), le groupe explore l'intégration de modèles de réseaux de neurones profonds pour prédire à la fois des champs 3D et des indicateurs de performance scalaires. Ces modèles permettent de prédire des résultats de simulations en un temps réduit comparé aux méthodes classiques de CFD.

Le stage proposé vise à développer une méthodologie permettant de quantifier l'incertitude associée aux prédictions de ces modèles de réseau de neurones. L'objectif est de fournir un indice de confiance sur les résultats générés, afin de faciliter l'exploitation des modèles d'IA en rendant les prédictions plus transparentes à travers une estimation de leur incertitude. Les grandes étapes du stage peuvent se décomposer ainsi :
• Comprendre les modèles de réseau de neurones (de type neural operator) développés au sein du groupe pour prédire les résultats des simulation CFD. Étude de la bibliographie sur les méthodes de quantification d'incertitude pour les réseaux de neurones.
• Mettre en place une méthodologie de quantification d'incertitudes pour un modèle prédisant des indicateurs de performance scalaires.
• Adapter la méthodologie pour essayer de proposer un indicateur de confiance sur les prédictions des modèles prédisant des champs 3D.

Le stagiaire sera intégré dans la branche de l'Ingénierie Numérique (Virtual Engineering) en charge des simulations et du référentiel numérique. Afin de mettre en œuvre cette étude, le stagiaire s'appuiera sur des méthodologies déjà développées en Python à l'aide de la librairie PyTorch. Il sera également possible de s'appuyer sur toute autre librairie Python.