Stage Ingénieur Calcul Modèles Génératifs pour Accélérer la Simulation des Écoulements H/F Ingeliance Technologies

La simulation numérique des écoulements est un outil central de la conception industrielle. Pour représenter finement les chocs ou les sillages, un calcul demande des maillages de plusieurs millions de mailles et peut durer plusieurs heures. Or une étude de conception ou d'optimisation demande des centaines, voire des milliers de calculs. Les méthodes classiques de réduction de modèle, fondées sur des bases linéaires, représentent mal les structures qui se déplacent avec les paramètres, comme un choc.

Les modèles génératifs (diffusion, flow matching... ) offrent une autre approche. Ils apprennent la loi des solutions et produisent des champs nets, là où une régression classique a tendance à les lisser. Dans un contexte industriel, ils permettent de réutiliser les bases de calculs existantes, d'obtenir une prédiction bien plus vite qu'avec un solveur, d'estimer l'incertitude ou de fournir au solveur un champ initial qui accélère sa convergence.

Un premier stage, réalisé en 2026 dans l'équipe-projet Inria/ONERA MONHADE, a produit une base d'environ 30 000 solutions des équations d'Euler 2D et entraîné des modèles déterministes et génératifs sur des maillages d'environ 20 000 mailles. Ces modèles donnent des prédictions précises et accélèrent nettement la convergence du solveur, mais généralisent encore mal à des géométries non vues pendant l'entraînement. Il reste aussi à traiter des maillages de taille industrielle, à réduire le coût des modèles génératifs et à évaluer ces méthodes dans des conditions proches d'un usage industriel.

Le stage s'appuiera sur l'expertise des ingénieurs docteurs d'Ingeliance et sur des réunions régulières avec l'équipe MONHADE. Le ou la stagiaire aura accès aux moyens de calcul du CCRT, ainsi qu'aux données et aux codes du stage précédent. De nouvelles simulations pourront être réalisées si besoin.

L'objectif de ce stage est de poursuivre le développement de ces approches génératives. Le projet se décompose selon les tâches suivantes :

• Étude bibliographique, prise en main des résultats du stage précédent et des outils de production des données d'entraînement ;
• Développement et comparaison de plusieurs approches :

- Espaces latents : compresser les champs pour entraîner le modèle génératif dans un espace de petite dimension, et augmenter la taille du maillage ;

- Prédictions locales : entraîner un modèle sur des sous-domaines, puis le faire glisser sur le domaine pour couvrir des champs plus grands. Une approche locale pourrait aussi mieux généraliser à de nouvelles géométries ;

- Ponts de Schrödinger : passer directement d'un champ à un autre plutôt que de partir d'un bruit gaussien, afin de réduire le nombre d'étapes de prédiction ;

• Évaluation de ces méthodes dans un contexte industriel et comparaison avec un solveur : précision, capacité de généralisation à des géométries et des régimes non vus pendant l'entraînement, coût total, accélération du solveur.