Modèles réduits de métasurfaces par PINN

Mathématiques, information  scientifique, logiciel Stage - Bac+5 - Modèles réduits de métasurfaces par PINN - H/F Les métasurfaces sont des structures artificielles planes et périodiques qui permettent de contrôler les propriétés de réflexion, transmission et absorption d'une onde qui l'éclaire. Dans le cadre de stage, ces structures seront composées de matériaux homogènes et isotropes intégrant des inclusions périodiques de taille sub-longueur d'onde. Cela permet d'atteindre des performances supérieures aux matériaux classiques. Cependant, la conception optimale de ces inclusions pour atteindre les propriétés électromagnétiques désirées reste un défi. Le CEA dispose de codes de simulation performants pour évaluer les performances d'une métasurface connue, avec des paramètres géométriques et des caractéristiques de matériaux constituants définis. Une approche envisageable, mais computationnellement intensive, consiste à utiliser un code interne dans une boucle d'optimisation itérative, en partant d'une paramétrisation prédéfinie de la métasurface. Nous proposons ici d'étudier une alternative potentiellement plus efficace, permettant d'explorer rapidement différentes configurations de métasurfaces sans être limité par une paramétrisation rigide. Pour cela, nous envisageons d'explorer l'utilisation de réseaux de neurones informés par la physique (PINN) comme modèle prédictif. Ce modèle, dérivable et rapide à utiliser une fois entraîné, permettrait de modéliser le comportement électromagnétique d'une métasurface, facilitant ainsi son intégration dans une boucle d'optimisation une fois la paramétrisation des inclusions définie. L'objectif principal est d'étudier l'utilisation des PINN pour la modélisation de solutions aux équations de Maxwell, en augmentant progressivement la complexité des problèmes traités. Dans un premier temps, le(la) candidat(e) s'intéressera à la résolution de problèmes simplifiés et en petite dimension. Il(elle) mettra en place des PINN sur un domaine 1D pour évaluer l'efficacité de la méthode selon le domaine de résolution (temporel ou fréquentiel). Initialement, il(elle) étudiera un milieu homogène et isotrope, puis il(elle) examinera un domaine composé de deux sous-domaines aux propriétés différentes. Ensuite, il(elle) étendra cette approche au cas 2D en poursuivant la comparaison entre les domaines de résolution, et en intégrant des conditions de périodicité. En fonction des performances observées, un choix pourra être fait concernant le domaine de résolution le plus adapté avant d’aborder le problème en 3D. Le(la) candidat(e) aura une bonne connaissance de Python, des méthodes d’optimisation, des réseaux de neurones, de Tensorflow ou Pytorch et une appétence pour la résolution de problèmes physiques. Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés. Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation. Machine Learning, Python Bac+5