STAGE - Ingénieur de recherche en Deep Learning (F/H)

Dassault Systèmes, l'entreprise de la 3DEXPERIENCE, est un « accélérateur de progrès humain ». Elle propose aux entreprises et aux particuliers des environnements virtuels collaboratifs qui leur permettent d'imaginer des innovations plus durables. En développant un jumeau virtuel du monde réel, grâce à la plateforme 3DEXPERIENCE et à ses applications, Dassault Systèmes donne à ses clients les moyens de repousser les limites de l'innovation, de l'apprentissage et de la production.

Les 20 000 collaborateurs de Dassault Systèmes travaillent à créer de la valeur pour nos 270 000 clients de toutes tailles, dans toutes les industries, dans plus de 140 pays. Pour plus d'informations, visitez notre site www.3ds.com/fr

Sujet : IA pour la modélisation du cardiométabolisme

L'organisation Virtual Twin of Human Technology de Dassault Systèmes est une équipe pluridisciplinaire dans des domaines technologiques, biologiques et biomédicaux de l'entreprise. Elle réalise une veille scientifique et technologiques permanente ainsi que des prototypes logiciels pour évaluer l'applicabilité des nouvelles technologies et/ou des connaissances scientifiques pour une nouvelle dimension de la santé humaine. Par exemple, dans un but de prévention, la modélisation virtuelle et sa simulation vont devenir un élément clef pour les médecins qui peuvent transformer désinformations très complexes en actes médicaux pratiques. Au sein de l'équipe Microbiota Twin, notre projet d'estimation de risque cardiovasculaire pour des personnes à haut risque nous amène à développer des algorithmes d'intégration de données hétérogènes complexes permettant la mise en avant de diverses informations. Dans le cadre de ce projet, nous sommes amenés à échanger avec des cliniciens, des cardiologues ainsi que des académiques.
La quantité grandissante de données disponibles, pour la recherche biologique nous amène de plus en plus à l'utilisation de modèles d'apprentissage automatique afin d'accélérer les processus de découvertes.
En particulier dans le cadre de l'étude du microbiote intestinal et des processus métaboliques pour la prévention cardiovasculaire, les modèles utilisés d'origine mécanistes nous permettent de modéliser la dynamique et les performances des communautés bactérienne à l'échelle du génome entier. Cependant en rassemblant une quantité très large de données, ceux-ci sont généralement basés sur des simplifications et des hypothèses fortes, et souffrent alors d'un manque d'adaptabilité à des données et conditions différentes. Pour permettre une meilleur flexibilité et l'amélioration des prédictions, l'intégration de modèles d'apprentissage automatique et la formation de modèles dits "hybrides" représenterait alors de nouvelles perspectives d'amélioration des modèles de contraintes initiaux.
Il existe actuellement plusieurs modèles d'apprentissage automatique permettant de générer des sorties conditionnées par des modèles physiques. Parmi eux, les PiNNs (Physics-informed Neural Networks) sont entrainés pour minimiser à la fois l'erreur sur les données et le résidu des équations données.
Durant ce stage, votre objectif sera de combiner des approches d'apprentissage automatique à des modèles mécanistes, afin d'améliorer les performances de prédictions des modèles initiaux.

Vos missions

En tant que stagiaire, vos objectifs seront :

• D'établir un état de l'art sur les applications des PiNNs dans le contexte de l'étude des risques cardiovasculaires. [1,2]
• Proposer une approche d'utilisation des PiNNs
• Appliquer les méthodologies sélectionnées sur un ensemble de données réelles et pertinentes dans le contexte d'intérêt de l'équipe.
• Synthétiser vos travaux et les présenter aux autres membres du groupe Virtual Twin.
  [1] A neural-mechanistic hybrid approach improving the predictive power of genome-scale metabolic models https://doi.org/10.1038/s41467-023-40380-0](https://doi.org/10.1038/s41467-023-40380-0
  [2] Universal Differential Equations for Scientific Machine Learning https://doi.org/10.48550/arXiv.2001.04385](https://doi.org/10.48550/arXiv.2001.04385).

Vos qualifications

Actuellement en Master 2 / Bac+5 en Ecole d'ingénieur ou Université, avec une spécialisation Bio-informatique, Mathématiques Appliquées, vous avez un fort intérêt pour la biologie computationnelle.

Vous avez des compétences dans les domaines suivants :

• Excellente base scientifique en mathématique et statistiques
• Excellent niveau en programmation python.
• Bonnes connaissances en apprentissage automatique (Machine Learning et Intelligence artificielle).
• Bonnes connaissances en biologie des systèmes et expérience avec des données biologiques.
• Des connaissances de modèles d'équation aux dérivées partielles serait appréciée et une première expérience en développement de réseaux de neurones serait un vrai plus.
• Intérêt pour les sujets d'application pluridisciplinaires, à l'interface entre biologie et science des données et pour la compréhension des organismes vivants.
  

De nature curieux(-se) et autonome, vous êtes force de proposition et faîtes preuve de rigueur et d'organisation dans l'application des technologies sélectionnées. Motivé(e), vous avez également un bon esprit de collaboration avec l'ensemble de l'équipe.
Vous avez un niveau d'anglais suffisant pour pouvoir comprendre et analyser la documentation technique écrite en anglais.

Nous rejoindre c'est aussi

Intégrer une entreprise scientifique au cœur de l'innovation technologique, portée par une forte croissance depuis plus de 40 ans

Principaux avantages et bénéfices :

• Environnement multiculturel
• Cadre de travail convivial axé sur le bien-être et la santé
• Engagement en faveur de la diversité et de l'inclusion
• Politique dynamique de développement de carrière : plan de formation, mobilités internes, etc