À la Maison de la Simulation, nous développons SPOT (Simulation Pattern Observation Tool).
Cet outil utilise la vision par ordinateur pour détecter des phénomènes physiques complexes dans des visualisations scientifiques issues de codes de calcul haute performance. SPOT repose sur la bibliothèque HPC d'entrées/sorties PDI et son plugin DEISA, couplés à l'orchestrateur de tâches asynchrone DASK.
Le modèle parallélisé produit des séries d'images 3D par sous-domaine, envoyées aux workers DASK. Des IA de localisation basées sur l'algorithme YOLO détectent les phénomènes dans chaque image.
Nous avons déjà travaillé sur un algorithme GCN 2D pour reconstruire les boîtes de localisation à partir de simulations 2D, avec de très bons résultats.
L'objectif de cette alternance est de passer ce GCN en 3D, en parallèle de la mise en 3D du modèle d'entraînement par l'encadrant. Cela implique de reconstituer les boîtes 3D à partir de boîtes et de vues 2D pour chaque sous-domaine.

Compétences requises :
Niveau bac +3 en informatique/data science
Maitrise de python
Utilisation d'un des outils de Deep Learning: PyTorch, Keras, TensorFlow ou autres
Notions de DL, vision par ordinateur, GNN, GCN
Connaissances en infographie 2D et 3D.
Maîtrise de Linux
Un plus sera les connaissances théoriques du fonctionnement des modèles et connaissances pratiques en développement de modèles de Deep Learning

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.