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

2019-10-16T09:22:27.457

Key information

Mathematics and algorithms
Research, design and development
Student
Magny-les-hameaux, Ile De France, FRANCE
Internship / Student, Full-time, 6 mois
Bachelor's Degree
First experience
2019-77855

Job description

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]).

Complementary description

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

Job requirements

Formation :

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

Langues :

  • • Français
  • • Anglais

Spécialités :

  • • Deep Learning / Machine Learning

Company information

Safran SA

Safran is an international high-technology group, operating in the aircraft propulsion and equipment, space and defense markets. Safran has a global presence, with more than 92,000 employees and sales of 21 billion euros in 2018. Working alone or in partnership, Safran holds world or European leadership positions in its core markets. Safran undertakes Research & Development programs to meet fast-changing market requirements, with total R&D expenditures of around 1.5 billion euros in 2018.

Safran is ranked among the Top 100 Global Innovators by Thomson Reuters and is featured on the "Happy at work" rankings. The Group places fourth on the Universum ranking for the favorite companies of newly-qualified engineers in France.

Hit enter to search or ESC to close