Stage reinforcement learning et graph neural networks pour le pilotage d'architectures électriques h/f

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 100 000 collaborateurs pour un chiffre d'affaires de 27,3 milliards d'euros en 2024, 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 2024 » 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 Contexte :
Au sein du centre de recherche SAFRAN, l'équipe architecture électrique oeuvre à optimiser la gestion et le pilotage des réseaux électriques embarqués des avions, domaines où robustesse, sécurité et efficacité sont impératifs. Les architectures électriques complexes de nouvelle génération se modélisent naturellement sous forme de graphes, pour représenter les connectivités et la dynamique des composants.
Problématique :
La complexité croissante des environnements modélisés (nombre de noeuds, d'arêtes, dynamiques multiples) rend les techniques classiques de reinforcement learning limitées en termes de temps de calcul et de capacité à capturer les dépendances topologiques. Les Graph Neural Networks (GNN) offrent une nouvelle approche prometteuse permettant de traiter efficacement des environnements structurés par des graphes.
Objectifs du stage :
-Explorer et développer des algorithmes de reinforcement learning hybrides intégrant des GNN, capables de prendre en compte la structure profonde des réseaux électriques de l'avion.
-Adapter/préparer des environnements de simulation pour tester et valider ces algorithmes sur des cas représentatifs du pilotage électrique aéronautique (répartition de charge, résilience, reconfiguration dynamique).
-Réaliser un benchmark des performances (précision, rapidité, robustesse) versus les approches classiques (DQN, PPO) et proposer des axes d'amélioration.
-Contribuer à des publications scientifiques ou des brevets le cas échéant.