Thèse Cifre Modèles de Fondation Physiques pour l'Identification de Systèmes Dynamiques H/F - Safran - CDD/Stage/Alternance

Safran est un groupe international de haute technologie opérant dans les domaines de l'aéronautique (propulsion, équipements et intérieurs), de l'espace et de la défense. Sa mission : contribuer durablement à un monde plus sûr, où le transport aérien devient toujours plus respectueux de l'environnement, plus confortable et plus accessible. Implanté sur tous les continents, le Groupe emploie 110 000 collaborateurs pour un chiffre d'affaires de 31,3 milliards d'euros en 2025, et occupe, seul ou en partenariat, des positions de premier plan mondial ou européen sur ses marchés.

Safran est la 2ème entreprise du secteur aéronautique et défense du classement « World's Best Companies 2025 » du magazine TIME.

Parce que nous sommes persuadés que chaque talent compte, nous valorisons et encourageons les candidatures de personnes en situation de handicap pour nos opportunités d'emploi.

Au sein de Safran Tech, centre de Recherche & Technologie du groupe Safran, vous rejoindrez une équipe spécialisée en intelligence artificielle et en traitement de séries temporelles. Vous contribuerez au développement de nouvelles méthodes d'apprentissage profond pour l'analyse et la surveillance de systèmes aéronautiques complexes, notamment les moteurs d'avions et d'hélicoptères.

Ces systèmes génèrent de grandes quantités de données capteurs, souvent bruitées, incomplètes et soumises à des conditions de fonctionnement variables. Un enjeu majeur est d'exploiter ces observations pour estimer des grandeurs internes difficilement mesurables, telles que les indicateurs de santé des composants. Ces problèmes inverses sont essentiels pour le suivi de l'état des moteurs et la maintenance prédictive.

L'objectif de cette thèse CIFRE est de développer des **modèles de fondation pour séries temporelles multivariées intégrant explicitement des connaissances physiques**, afin d'améliorer la précision, la robustesse et la cohérence des estimations. Les travaux exploreront notamment les architectures de type Transformer et les modèles génératifs probabilistes (diffusion, flow matching).

Vos principales missions seront de :

- Étudier les modèles de fondation temporels et les architectures génératives pour la résolution de problèmes inverses.
- Adapter des modèles pré-entraînés ou développer des modèles spécialisés capables d'exploiter les dépendances temporelles et multivariées des données industrielles.
- **Développer des mécanismes d'intégration de contraintes physiques** (lois de conservation, relations thermodynamiques, modèles de mesure) dans les architectures, les fonctions de coût et les processus d'inférence.
- Étudier l'utilisation de modèles physiques simplifiés ou de modèles de substitution pour guider et régulariser les estimations, notamment dans les approches génératives.
- Développer des méthodes d'inférence inverse permettant de représenter plusieurs solutions physiquement plausibles et de quantifier les incertitudes associées.
- Étudier la robustesse et l'adaptation des modèles aux données réelles, notamment face au bruit, aux capteurs manquants et aux changements de conditions opérationnelles.
- Évaluer les méthodes développées sur des données simulées et réelles, et explorer leur potentiel pour la détection d'anomalies.
- Valoriser les résultats au travers de publications scientifiques internationales.

Cette thèse sera réalisée en collaboration avec le laboratoire GREYC de l'Université de Caen Normandie, dans un environnement associant recherche académique et applications industrielles de l'intelligence artificielle.

Vous êtes titulaire ou en cours d'obtention d'un diplôme de niveau Bac +5 (Master 2 recherche, diplôme d'ingénieur ou équivalent), avec une spécialisation en intelligence artificielle, mathématiques appliquées, informatique ou traitement du signal.

Vous disposez de solides connaissances en **machine learning et deep learning**, ainsi que de bonnes compétences en mathématiques appliquées (probabilités, statistiques, optimisation).

Vous maîtrisez **Python** et avez une expérience pratique d'au moins un framework de deep learning, idéalement **PyTorch**.

Une expérience ou des connaissances dans un ou plusieurs des domaines suivants seraient appréciées :
- Modèles de fondation et architectures Transformer.
- Modèles génératifs probabilistes (diffusion, normalizing flows, flow matching).
- Problèmes inverses et quantification des incertitudes.
- Apprentissage guidé par la physique (*physics-informed / physics-aware machine learning*).
- Analyse de séries temporelles multivariées et adaptation de domaine.

Vous faites preuve de curiosité scientifique, de rigueur et d'autonomie. Vous appréciez la recherche, l'expérimentation et la résolution de problèmes complexes, et êtes capable de travailler en collaboration avec des équipes pluridisciplinaires.

De bonnes capacités de communication scientifique, à l'écrit comme à l'oral, ainsi qu'une maîtrise de l'anglais technique sont attendues, notamment pour la lecture et la rédaction de publications scientifiques.

Un intérêt pour les applications industrielles de l'intelligence artificielle et les systèmes physiques complexes sera un atout.