DESCRIPTION :
de développer des codes de calcul parallèles en mécanique des fluides à différentes échelles (https://sourceforge.NET/projects/trust-platform/)
- d'exploiter les codes de calculs à l'aide d'outils de mise en données, prétraitements et postraitements, standards ou spécifiques ;
- de fournir aux physiciens les méthodes et outils leur permettant d'optimiser leurs conceptions et de traiter les incertitudes de leurs études de sûreté.
Le Laboratoire d'Intelligence Artificielle et de science des Données (autrement nommé le LIAD) réalise et maintient une plateforme générique, pérenne et open source pour fournir à nos physiciens des méthodes et outils leur permettant d'améliorer leurs modèles, d'optimiser leurs conceptions et de traiter les incertitudes de leurs études : la plateforme Uranie.
Uranie ? Oui, notre plateforme permet dans l'approche VVQI (Validation, Vérification et Quantification d'Incertitude) de créer des plans d'expériences adaptés aux besoins d'une analyse de sensibilité, d'un problème d'optimisation ou de la génération d'une base d'apprentissage ou de test pour un modèle de substitution.
Uranie permet de piloter le lancement des codes ou fonctions de manière séquentielle ou avec différentes approches de parallélisation., Parameter calibration of simulation codes is an essential step in the modeling and simulation of complex physical systems. These codes, often resulting from long multiphysics computation chains, include numerous parameters whose values can only be partially determined through measurements. Calibration therefore consists in adjusting these parameters to achieve the best possible consistency between model predictions and available experimental data.
In this context, accounting for parameter uncertainty is crucial. Experimental data are often noisy or limited, and the models themselves involve approximations. The Bayesian framework provides a rigorous approach to handle these uncertainties by representing parameters as random variables. The objective then becomes to estimate their a posteriori distribution, given the observations and the prior knowledge.
When the model cannot be linearized, when the likelihood function is complex, or when the a priori distributions are non-Gaussian, direct sampling methods become inapplicable. In such cases, Markov Chain Monte Carlo (MCMC) methods are recognized as reference tools. They enable efficient exploration of the parameter space and allow obtaining representative samples from the a posteriori distribution.
However, there is today a wide variety of MCMC algorithms (Metropolis-Hastings, Gibbs Sampling, Hamiltonian Monte Carlo, Adaptive MCMC, Differential Evolution MCMC, among others), whose performances can vary significantly depending on the nature of the problem (dimension, parameter correlations, likelihood topology, etc.). It is therefore necessary to compare these different approaches to identify their strengths and limitations.
The proposed internship fits into this perspective. Its objective is to perform a thorough comparison of the main MCMC methods applied to Bayesian parameter calibration. The main tasks will be :
- Conduct a state of the art of current MCMC methods in the scientific literature and
existing reference tools/libraries ;
- Select a representative set of MCMC algorithms covering various application cases
(complex distributions, strong correlations, etc.) ;
- Evaluate these methods on benchmark datasets, analyzing their performance in terms
of convergence, computational cost, and robustness ;
- Implement the best-performing methods in the Uranie platform, ensuring proper documentation and integration into the platform's testing environment ;
- Propose possible improvements or new MCMC algorithm variants, as part of a methodological innovation approach.
The internship will be conducted at the Service of Software Engineering and for Simulation (SGLS - Service de Génie Logiciel pour la Simulation) within the Energy Division (DES - Direction des Énergies). The service develops and qualifies the simulation tools for enhancing the precision and reliability of the models used to design and analyze the safety of the French nuclear power systems.
Moyens / Méthodes / Logiciels
MCMC methods, Bayesian inference, calibration, Uranie
Code d'emploi : Adjoint Responsable Qualité (h/f)
Domaine professionnel actuel : Directeurs, Gestionnaires et Administrateurs des Entreprises
Niveau de formation : Bac+5
Temps partiel / Temps plein : Plein temps
Type de contrat : Stage/Jeune diplômé
Compétences : Intelligence Artificielle, C ++ (Langage de Programmation), Python (Langage de Programmation), Méthodes de Monte Carlo, Technologie Open Source, Conception et Développement de Logiciel, Modelsim, Markov, Apprentissage Expérientiel, Calculs, Mécanique des Fluides, Elaboration des Prévisions, Techniques de Laboratoire, Travail sur Installation Électrique, Quantification, Analyse de Sensibilité, Simulations, Probability and Statistics, Etudes et Statistiques, Science des Données
Courriel :
internet.saclay@cea.fr
Téléphone :
0160833031
Type d'annonceur : Employeur direct
