Stage IA Générative pour la Conception H/F

Contexte
En ingénierie, la conception inverse d'une pièce consiste à définir d'abord ses performances attendues et à en déduire des géométries pertinentes permettant d'y parvenir. Grâce aux progrès de l'intelligence artificielle générative dans le domaine de la 3D, il devient envisageable d'élargir l'espace de conception afin d'explorer des formes plus innovantes tout en respectant des critères physiques. Une approche possible consiste à explorer un espace latent encodant les géométries pertinentes, tout en étant guidé par un métamodèle physique prédisant les performances associées.
Dans ce stage, nous nous intéressons plus particulièrement aux aubes de compresseur et de turbine utilisées dans des turboréacteurs, pour lesquelles la conception inverse peut faire intervenir des critères d'aérodynamique, de thermique, et de tenue mécanique.

Objectifs
L'objectif du stage est d'explorer des méthodes d'apprentissage géométrique afin de construire une représentation géométrique pertinente pour la conception générative d'aubes. Une attention particulière sera portée aux difficultés spécifiques aux aubes, à savoir la description précise de formes de faible épaisseur, ainsi que la possibilité de prendre en compte les canaux de refroidissement internes dans le cas des aubes de turbine refroidies.
De nombreux modèles génératifs reposent sur un modèle de diffusion ou de flow matching dans un espace latent. La plupart des modèles génératifs 3D existants (e.g. TRELLIS.2) sont relativement précis sur une grande variété d'objets, mais produisent des maillages non utilisables en ingénierie pour des questions de simulation numérique ou de fabricabilité. Ils reposent par ailleurs sur des espaces latents de grande dimension, rendant difficile l'apprentissage de métamodèles physiques sur des bases de données de simulations avec un nombre limité d'exemples.
Ce stage propose donc d'explorer différentes méthodes de geometric deep learning afin de construire un espace latent dédié aux aubes de compresseur et/ou de turbine. La construction d'un tel espace latent repose généralement sur des auto-encodeurs variationnels (VAE), assurant une certaine continuité de la représentation géométrique apprise, propriété essentielle pour les approches génératives. Le stage consistera à tester différentes architectures de modèles (e.g. Perceiver IO et décodeurs implicites type neural fields), différentes fonctions de perte, ainsi que différentes représentations géométriques des entrées et des sorties. Ces travaux s'appuieront sur une base de données interne composée de géométries réelles et de géométries synthétiques.
En fonction des résultats obtenus, il sera possible d'évaluer l'apport de la représentation géométrique apprise sur des applications concrètes telles que la méta-modélisation physique, la conception générative, et l'apprentissage accéléré et robuste de représentations géométriques pour de nouvelles aubes plus complexes.