Modèles d'apprentissage statistique pour la prédiction des propriétés d'alliages haute température h/f

Contexte Les enjeux environnementaux et économiques auxquels fait face l'industrie aéronautique (réduction des émissions de CO, diminution de la consommation de carburant, compétitivité des produits) motivent la conception de nouveaux matériaux plus performants. Dans ce contexte, les méthodes d'apprentissage automatique (Machine Learning, ML) connaissent un essor grandissant. Elles constituent un levier puissant pour explorer l'immense espace des compositions et microstructures possibles en les reliant aux propriétés des matériaux, afin de les optimiser vis-à-vis d'applications exigeantes (haute température, environnement sévère, etc.). L'efficacité de ces méthodes dépend toutefois de l'existence de bases de données suffisamment riches et fiables, ainsi que de la capacité à développer des modèles robustes, interprétables et intégrés dans un processus rigoureux de validation. Objectifs Le stage vise à contribuer au développement d'un pipeline générique de ML, en Python orienté objet, rationnalisant la construction de modèles destinés à la conception d'alliages métalliques (donc en condition small data). Celui-ci devra intégrer des techniques propres à quatre étapes du MLOps : - la préparation des données (imputation, génération de données synthétiques, feature engineering, clustering, réduction de dimension, etc.) ; - la construction de modèles de régression ou de classification choisis parmi un panel d'algorithmes établis (SVR, processus gaussiens, MLP, ANN, méthodes d'ensembles, XGBoost, etc.) ; - la validation des modèles (validation croisée classique, imbriquée ou par clusters, bootstrapping, etc.), en particulier en simulant des conditions de généralisation sévères ; - l'exploitation des modèles (criblage naïf, optimisation bayésienne, analyse de sensibilité, etc.). Déroulement Le stage consistera dans un premier temps à concevoir une architecture logicielle modulaire et documentée, permettant d'intégrer de manière flexible différents modules liés à la préparation des données, à la construction de modèles et aux démarches de validation et d'optimisation. Dans un second temps, ce pipeline sera testé sur des jeux de données matériaux représentatifs (prédiction de propriétés d'alliages base Ni, Ti, Fe ou Al) afin de comparer de manière chiffrée la performance de différentes approches. Des résultats obtenus devront découler des recommandations méthodologiques quant aux méthodes à privilégier dans le cadre des problèmes traités. 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.