Exploration des techniques d’apprentissage par machine learning pour automatiser la conception de nanomatériaux
Les nanothermites représentent une classe de matériaux énergétiques sous la forme d'un composite métal/oxyde métallique composé d'un combustible, le plus souvent de l'aluminium, et d'un oxydant, tels que l'oxyde de fer ou de cuivre. Ces matériaux suscitent actuellement un vif intérêt pour des applications civiles et militaires en raison de leur versatilité au plan des performances (compaction des poudres, autres structurations et rapport combustible/comburant) et de leurs enthalpies de réaction élevées ; une fois initiés, ils engagent une réaction exothermique d'oxydo-réduction auto-entretenue consommant tous les matériaux réactifs, accompagnée d’une production plus ou moins élevée de gaz. L'utilisation de techniques de micro et de nanofabrication standard offre de nouvelles perspectives applicatives, notamment pour de nouveaux actionneurs miniaturisés (tels les airbags), pour la conversion rapide d’énergies dans des conditions extrêmes (soudage en eau profonde où souterraine), pour assurer des manœuvres en environnement spatial (séparation d’étage, libération de charge utile, génération de puissance pour les missions lointaines, assurer la sécurité ultime de systèmes électroniques par leur destruction physique ou leur déconnection d’urgence, plus généralement assurer des fonctions mécaniques de désolidarisation. La grande étendue des performances des thermites nous oblige à faire appel à de la modélisation pour éviter les cycles trop couteux et longs de type essai/erreur, dans un contexte où la manipulation des matériaux est également compliquée.
Le LAAS et le CEA travaillent ensemble à l’élaboration de modèles en capacité de prédire les performances en combustion de matériau dense en énergie comme les nanothermites. Dans ce cadre, une hiérarchie de modèles doit être mise en œuvre. Elle comprend la mise en place de modèles de combustion basés sur la résolution des équations de la mécanique des fluides en milieu réactif diphasique, qui sont des modèles comportant de nombreux paramètres (certains étant mal définis) et dont les temps de calculs peuvent s’avérer prohibitifs dans un cadre de simulations systématiques. Ainsi, dans le cadre de ce stage, des approches plus statistiques de type machine learning sont envisagées en complément des outils traditionnels de la physique. Le potentiel de ces approches statistiques s’expriment à plusieurs niveaux, et le stage pourra être orienté dans l’un ou l’autre de ces niveaux : il s’agira (i) de programmer des algorithmes afin de produire des données d’intérêts pour l’ingénieur d’étude en faisant un usage parcimonieux des simulations physiques de la combustion, (ii) permettre un feedback sur la qualité des paramètres physiques utilisés dans le simulateur physique, et le cas échéant, améliorer leur précision, (iii) enfin, permettre de guider l’ingénieur de conception au-delà du design pur par modélisation physique, dans une approche plus globale de fusion des données physiques avec des contingences industrielles type cahiers des charges. Des notions de modèles de substitution (surrogate), d’apprentissage par réseaux de neurones et de leurs outils d’optimisation (type TensoFlow, PyTorch), ainsi qu’une maitrise du langage python sera nécessaire. Ce stage interdisciplinaire se déroulera en collaboration avec une équipe de mathématicien/statisticiens du laboratoire spécialisée en machine learning.
Lieu du stage
Le stage se déroulera au LAAS-CNRS situé à Toulouse, un centre de recherche de renommée nationale et internationale dans les domaines de l’informatique, la robotique, l’automatique et les micro et nano systèmes.
Profil du candidat :
Vous êtes en formation Bac+5 en école d’ingénieur ou université avec un profil et/ou gout pour les mathématique, avec une expérience des outils du machine learning et de leurs applications.
Ce stage ouvre à de nombreux sujets de thèse potentiels.