Les réseaux de neurones artificiels ont prouvé leur capacité d'interpolation dans de nombreux domaines : le but de cette étude est de la tester sur le modèle Thomas-Fermi. Plus précisément, on s'intéresse aux réseaux informés par la physique (Physics Informed Neural Networks ou PINN) qui répondent à des lois physiques définies par des équations différentielles partielles. Dans un premier temps, le(a) stagiaire sera amené(e) à produire des données pour l'hydrogène en résolvant les équations du modèle Thomas-Fermi. Par la suite, le(a) stagiaire utilisera ces données pour l'apprentissage de PINN et les mettra en concurrence avec des techniques d'interpolation numérique classiques, tels que les splines. L'implémentation des différents outils se fera en Python. La libraire de deep learning utilisée dans l'unité d'accueil est Tensorflow mais le(a) stagiaire sera libre d'utiliser la librairie de son choix (par exemple Pythorch, ou bien une librairie dédiée aux PINN comme DeepXDE). Durant ce stage, le(a) stagiaire développera des compétences dans plusieurs domaines : implémentation numérique (schéma numérique, interpolation), en deep learning, et en physique des plasmas.Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes en situation de handicap, cet emploi est ouvert à tous et toutes. Participant à la protection nationale, une enquête administrative est réalisée pour tous les salariés du CEA afin d'assurer l'intégrité et la sécurité de la nation.

physique des plasmas, deep learning, calcul numérique.
Python
Bac+5