Modèles Ml Robustes et Généralisants pour la Prédiction des Propriétés d'Alliages Haute Température H/F Safran

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 de ML, en Python, rationnalisant la construction et la validation de modèles destinés à la conception d'alliages métalliques (donc en condition small data). Un accent particulier sera mis sur la capacité de généralisation des modèles. Le travail s'articulera surtout selon des axes suivants :
- la préparation des données, notamment par feature engineering ou plongement (génération d'embeddings) ;
- la construction de modèles de régression ;
- la validation des modèles (validation croisée classique, imbriquée ou par clusters, bootstrapping, etc.), en particulier en simulant des conditions de généralisation sévères ;

Déroulement
Le stage consistera dans un premier temps à s'approprier et à étendre 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 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.