Apprentissage par Renforcement et Modèles de Monde pour les maillages

Mathématiques, information  scientifique, logiciel Stage - Bac+5 - Apprentissage par Renforcement et Modèles de Monde pour les maillages - H/F Nous nous intéressons à la génération de maillages pour la simulation numérique en considérant le travail de [1], où les auteurs ont démontré qu’il était possible de modéliser le problème d’optimisation topologique de maillages quadrangulaires comme un problème d’apprentissage profond. Une partie de ces résultats repose sur une observation partielle du monde observé en se basant sur des propriétés d’ordre de la structure de données sous-jacente. La question de l’observation du monde par un agent est cruciale et nous souhaitons dans ce travail évaluer l’apport de l’architecture Graph-JEPA [2] pour laisser l’agent définir la représentation pertinente qu’il doit avoir du monde observé. [1] A. Roperch, F. Ledoux, and J.-Ch. Janodet. QuadOpt-RL: Reinforcement Learning Agent for Quad Mesh Optimization, SIAM IMR 2026. [2] G Skenderi, et al. Graph-level representation learning with joint-embedding predictive architectures. Transactions on Machine Learning Research, 2025. En considérant un problème plus simple de maillage, à savoir le lissage qui consiste à déplacer les sommets d’un maillage pour améliorer la qualité géométrique des cellules composant le maillage, l’étudiant(e) aura pour objectif de développer et évaluer une architecture hybride où un agent RL apprend à déplacer les sommets du maillage en s’appuyant sur les prédictions abstraites de Graph-JEPA. L’idée sous-jacente est d’apprendre des représentations latentes relatives à des opérations de maillage sur des cartes combinatoires de dimension 2 et 3. Les grandes étapes du travail proposé seront : (1) Assimiler les concepts suffisants en maillage et comprendre le formalisme des cartes combinatoire. (2) Concevoir une architecture JEPA adaptée. Le modèle devra apprendre à prédire l’impact latent d’un déplacement de sommet sans reconstruire le maillage complet. (3) Implémenter un agent de RL avec une approche acteur-critique et une fonction de récompense qui sera directement corrélée à des métriques de qualité de mailles (ex : rapport de forme, jacobien des éléments, régularité des angles) en utilisant l’architecture précédemment définie. (4) Comparer les résultats obtenus avec des algorithmes de lissage usuels, aussi bien en termes de qualité finale du maillage et de temps de convergence. 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. Python, Apprentissage par renforcement, apprentissage profond, pytorch Bac+5