Passage à l'échelle et accélération de réseaux de neurones convolutionnels sur nuages de points 3D H/F

2019-10-16T09:22:27.457

Information clé

Mathématiques et Algorithmes
Recherche, conception et développement
Etudiant
Magny-les-hameaux, Ile De France, FRANCE
Stage, Temps complet, 6 mois
BAC+3, BAC+4
Jeune diplômé/Première expérience
2019-77855

Description de la mission

Passage à l'échelle et accélération de réseaux de neurones convolutionnels sur nuages de points 3D - Application aux simulations de mécanique des fluides industrielles

Dans le domaine industriel, les codes de simulation numérique de mécanique des fluides sont un outil indispensable pour la conception de systèmes complexes, en particulier les modules de réacteurs d'avions ou d'hélicoptères. Quand un ingénieur conçoit une pièce, il cherche à optimiser certains critères comme le rapport portance sur trainée pour une aile d'avion. Il propose une forme d'aile, lance une simulation d'écoulement pour obtenir une estimation du critère à optimiser, puis modifie la géométrie pour essayer d'améliorer la pièce, et ainsi de suite, lors d'un processus itératif d'optimisation. Les simulations 3D peuvent durer plusieurs heures, ce qui ralenti fortement le processus d'optimisation et réduit l'étendue de l'espace de recherche. Les approches d'optimisation assistée par surfaces de réponse permettent de répondre partiellement à ces difficultés : une fois la paramétrisation du problème choisie, un plan d'expériences de simulations est lancé et une première surface de réponse est construite. Elle est ensuite utilisée dans une procédure séquentielle pour la raffiner dans les régions d'intérêt pour l'optimisation. Cette méthodologie admet deux limitations intrinsèques : un long de travail de paramétrisation et le fléau de la dimension. Des extensions existent pour monter en dimension mais elles ne sont pas toujours efficaces.
Récemment, les méthodes d'apprentissage profond (CNN et GAN) ont été utilisées pour prédire la sortie d'une simulation CFD à partir de la géométrie de l'objet à optimiser. Cependant ces méthodes se limitent pour la plupart à des géométries décrites sous formes de données structurées (images en 2D ou grilles voxeliques en 3D) [1-2], et à des résolutions très basses. À l'exception de [3], qui prend un entrée un maillage de la géométrie et prédit des grandeurs d'intérêt ou des champs (de pression, température…) sur la surface grâce à des convolutions géodésiques sur graphes. Cependant ces méthodes fonctionnent sur des maillages relativement légers, alors que les maillages industriels peuvent contenir des millions de mailles. Pour une application en contexte industriel, il est donc crucial d'accélérer ces réseaux convolutionnels sur graphes ou nuages de points. Ce problème s'approche de celui rencontré pour les applications de reconnaissance d'images sur tablette grâce à des réseaux convolutionnels 2D. Ces appareils disposent de peu de puissance de calcul et de mémoire, poussant les chercheurs à développer des méthodes d'accélération et de réduction de ces réseaux. Les différentes approches peuvent se décomposer en : 1) la factorisation de noyaux de convolution [4] 2) la compression de réseau [5] (quantification des poids, suppression de connexions…) 3) l'utilisation de structures de données plus appropriées (grilles éparses comme l'octree [6]).

Description complémentaire

Objectif :
L'étude vise tout d'abord à étudier la bibliographie disponible d'un côté sur l'accélération de réseaux convolutionnels et d'un autre sur les réseaux convolutionnels sur nuages de points 3D. En parallèle, un jeu de données de simulation CFD 3D sur des variations géométriques d'une aube de turbine sera réalisée grâce aux codes de simulation de Safran. Dans un premier temps, les approches identifiées dans la bibliographie seront comparées sur des jeux de données simplifiées. Puis les plus prometteuses seront transférées au réseaux convolutionnels sur nuages de points pour être évaluées sur le jeu de données 3D. Enfin, si l'avancement sur les premières tâches le permet, des structures plus adaptées aux nuages de points comme les octrees pourront être testées.

Le stage se décomposera selon les étapes suivantes :

  • - Bibliographie sur l'accélération de réseaux convolutionnels et réseaux à points,
  • - Création d'un jeu de données de simulations CFD 3D,
  • - Développement de codes de calcul implémentant certaines des méthodes publiées (Python, PyTorch),
  • - Benchmark sur nos applications en mécanique fluide,
  • - Premier démonstrateur pour les équipes métiers

Bibliographie
[1] Guo X. & al, 2016
[2] Farimani, A. B., & al, 2017
[3] Baque, P & al, 2018
[4] Sandler M. & al, 2018
[5] Han, S. & al, 2015
[6] Wang, P. S. & al, 2018

Votre profil

Formation :

  • • Ecole d'ingénieur option Mathématiques Appliquées ou M2 Mathématiques Appliquées

Langues :

  • • Français
  • • Anglais

Spécialités :

  • • Deep Learning / Machine Learning

Entité de rattachement

Safran SA

Safran est un groupe international de haute technologie opérant dans les domaines de la propulsion et des équipements aéronautiques, de l'espace et de la défense. Implanté sur tous les continents, le Groupe emploie plus de 92 000 collaborateurs pour un chiffre d'affaires de 21 milliards d'euros en 2018. Safran occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés. Pour répondre à l'évolution des marchés, le Groupe s'engage dans des programmes de recherche et développement qui ont représenté en 2018 des dépenses totales d'environ 1,5 milliard d'euros.

Safran est classé dans le Top 100 Global Innovators de Thomson Reuters ainsi que dans le palmarès « Happy at work » des sociétés où il fait bon vivre. Le Groupe est en 4ème position du classement Universum des entreprises préférées des jeunes ingénieurs en France.

Appuyer sur Entrée pour valider ou Echap pour fermer