Stage - Ingénieur·e Recherche - Deep Learning Appliqué à la Simulation Anatomique H/F Dassault Systèmes

Intégrez une équipe de recherche de Dassault Systèmes travaillant à l'intersection de la modélisation, de la simulation numérique et de l'intelligence artificielle appliquées à la santé.

Dans le cadre du projet MediTwin, l'équipe développe des méthodes de simulation biomédicale pour des applications en cardiologie, neurologie et oncologie. Ces travaux combinent modèles physiologiques, géométries anatomiques, données médicales et simulations multiphysiques afin d'étudier des systèmes biologiques complexes et leur variabilité.

Les logiciels de simulation produisent aujourd'hui des données particulièrement riches : géométries, champs physiques, séries temporelles, paramètres physiologiques et réponses à différents scénarios. Ces résultats sont cependant souvent liés à une configuration précise, telle qu'un patient, une géométrie, un maillage ou un ensemble de conditions physiologiques.

L'intelligence artificielle ouvre de nouvelles possibilités pour exploiter ces données au-delà d'un cas de simulation isolé. Elle permet notamment d'identifier des structures communes entre différentes configurations, de construire des représentations compactes des comportements physiques et de transférer les connaissances acquises vers des situations partiellement observées ou peu représentées dans les données.

Ces problématiques sont particulièrement importantes dans le domaine médical, où les observations sont souvent bruitées, incomplètes et hétérogènes, tandis que les phénomènes étudiés sont multiphysiques, multi-échelles et fortement dépendants du patient.

Vos missions

Votre mission consistera à développer et évaluer une approche combinant simulation physique et apprentissage automatique sur un cas d'usage biomédical ciblé en cardiologie, neurologie ou oncologie.

Le stage portera sur trois objectifs principaux :

• Apprendre une représentation compacte à partir de données de simulation.
• Exploiter cette représentation pour résoudre une tâche de contrôle, de simulation inverse ou de détection d'anomalies.
• Adapter efficacement le modèle à une nouvelle configuration ou à un nouveau patient avec peu de données.

Le cas d'usage pourra par exemple concerner la détection d'un comportement anormal par comparaison avec un ensemble de comportements simulés, ou l'adaptation à un patient d'un modèle préalablement entraîné sur une population virtuelle.

Une attention particulière sera portée à la généralisation et aux limites de validité du modèle. L'objectif ne sera pas uniquement d'obtenir une bonne précision moyenne, mais également d'évaluer sa capacité à transférer les connaissances apprises, à s'adapter à partir de peu de données et à identifier les situations éloignées de son domaine d'entraînement.

Dans le cadre d'un stage de six mois, le travail sera volontairement concentré sur un cas d'usage, une représentation principale et un mécanisme de recalibration.

Vos principales missions incluront :

• Étude de l'état de l'art en apprentissage profond pour la représentation de phénomènes physiques, la simulation inverse et l'adaptation à de nouveaux patients
• Définition d'un cas d'usage représentatif d'une problématique médicale concrète
• Développement des modèles nécessaires à l'apprentissage du phénomène, à la résolution du problème inverse et à la recalibration patient
• Identification et quantification des gains apportés en précision, coût de calcul, capacité de transfert et robustesse
• Analyse des limites de validité, des cas d'échec et des situations hors distribution

Ce stage vous offrira une opportunité unique de contribuer à une recherche de pointe avec un impact sociétal majeur, tout en développant une expertise rare et très recherchée à l'intersection de l'intelligence artificielle, de la simulation numérique et de la médecine personnalisée.

Vos qualifications

Actuellement en Master 2 / Bac +5 en Ecole d'ingénieur ou Université, vous vous spécialisez en intelligence artificielle, mathématiques appliquées, informatique scientifique, physique numérique ou domaine équivalent et recherchez un stage entre 5 et 6 mois.

Compétences techniques souhaitées :

• Familiarité avec les méthodes modernes de représentation compactes, telles que DINOv2, JEPA, Neural Operators.
• Connaissances en théorie du contrôle : MPC, model-based RL, contrôle optimal.
• Bonne compréhension des équations différentielles ordinaires et des équations aux dérivées partielles
• Solides compétences en Python et maîtrise d'un framework de deep learning, de préférence PyTorch ou JAX
• Capacité à concevoir, entraîner et évaluer rigoureusement des modèles d'apprentissage
• Intérêt pour les approches combinant modèles physiques, données de simulation et apprentissage automatique

Nous valorisons fortement les qualités personnelles suivantes : curiosité scientifique, autonomie, capacité d'analyse et travail d'équipe.

Une première expérience en recherche, dans le cadre d'un projet de fin d'études ou d'un stage précédent, constituera un plus.

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au coeur de l'innovation technologique, portée par une forte croissance depuis plus de 40 ans.

Principaux avantages et bénéfices :

• Environnement collaboratif et innovant
• Collaboration internationale
• Diversité des technologies, produits et solutions
• Engagement en faveur de la diversité et de l'inclusion