L'offre Optimisation Bayésienne en grande dimension H/F a été sauvegardée.

Continuer

Offre sauvegardée

Entrez votre adresse e-mail pour enregistrer ce travail

Vous enregistrez ce travail sous:

FR
retour à la liste

Optimisation Bayésienne en grande dimension H/F posté par Groupe PSA

Cette annonce expire dans 3 jours
CDI - temps plein
Vélizy-Villacoublay

Description de l'offre

Filière/Métier : Digital And Data Engineering/Data
Contrat : Doctorat CIFRE
Description du poste :
Au sein de la Direction Scientifique, cette thèse vise à développer des méthodes d'optimisation de simulateurs numériques hautement paramétrés (environ une 50aine de variables de design ou plus). La thèse sera une extension de méthodes d'optimisation Bayésienne de type EGO, qui (au contraire d'autres méthodes telles que les algorithmes génétiques) sont particulièrement économes en termes de simulations numériques nécessaires afin de localiser l'optimum global. Il s'agira de développer une variante de EGO permettant de traiter efficacement des designs en très grande dimension (plus de 50 paramètres de design). Outre le fléau de la dimension, la thèse aura pour but de développer des processus Gaussiens (utilisés dans le cadre de l'optimisation Bayésienne) capables d'opérer en présence d'un nombre relativement important (de l'ordre de 10,000 ou plus) d'observations. Enfin, afin de tirer profit des capacités de calcul parallèle, un dernier objectif de la thèse sera de développer des méthodes efficaces afin de déterminer un lot important (une vingtaine) de nouveaux designs à évaluer par itération de l'algorithme. •-- This thesis aims at developing optimization methods of highly parametrized (50 design variables or more) numerical simulators. The thesis is aimed at extending Bayesian optimization in the vain of EGO which - contrarily to genetic algorithms - are particularly data efficient to find the global optimum. The major goal is to devise a method to efficiently handle high dimensional ( 50 design parameters) optimization problems. More than tackling the curse of dimensionality, the thesis aims at developping Gaussian Processes (used in the context of Bayesian Optimization) able to cope with a relatively large (of the order of 10,000 or more) number of observations. Last but not least, in order to fully exploit the parallel computing capabilities, a last objective of the thesis is to develop efficient methods to determine a large batch (say approximately 20) of new designs to be evaluated at each iteration.

Diplôme d'école d'ingénieur ou master en mathématiques appliquées, statistiques, sciences des données ou similaire Qualités requises : Communication, travail en équipe, capacité d'adaptation à des environnements différents •-- Master in engineering with a strong mathematical background, applied mathematics, statistics, data science, or similar Communication, ability to work independently and inside a team, adaptability to different environments
Ville : Velizy
Niveau de diplôme préparé : Bac+8
Langue / Niveau :
Anglais : B2 - Intermédiaire (2,5 - 3,4 Bright)

Numéro de référence

2021-9458

Offres similaires

Recevoir des offres similaires

Merci Vous allez recevoir des offres à l'adresse email