L'offre Stage Recherche et Développement : Modèles génératifs profonds pour la CAO H/F (2020-20269) 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

Stage Recherche et Développement : Modèles génératifs profonds pour la CAO H/F (2020-20269) posté par EDF France

Stage
Palaiseau

Description de l'offre



Description de l'offre

Les ingénieurs d’EDF réalisent de nombreuses études impliquant des calculs physiques sur les équipements de l’entreprise (centrales, barrages etc.). Pour faire ces calculs, il faut au préalable dessiner des modèles géométriques 3D (modèles CAO) représentant les équipements.

Nous souhaitons exploiter des modèles génératifs profonds dans le domaine de la CAO pour la simulation tout en ayant peu de données de modèles CAO 3D (few shot learning). Actuellement, nous avons pu rassembler environ 1000 modèles dont nous montrons quelques exemples sur l’image ci-dessous. Mais pour faire de l'apprentissage statistique robuste, il faut disposer plutôt de dizaines de milliers de modèles. Le but du stage est de générer automatiquement des modèles CAO réalistes à l'aide de réseaux de neurones spécifiques (GAN, auto-encodeurs, graph neural networks).

Contexte :

Certains domaines comme l'image ou le NLP bénéficient de bases de données étiquetées volumineuses permettant d'entraîner de gros réseaux de neurones (deep learning) de manière supervisée. Ce n'est pas le cas du domaine de la CAO. Une base peut être constituée manuellement (comme ImageNet par exemple) mais cela coûte cher et représente un travail fastidieux.

Nous proposons d'augmenter notre base en générant automatiquement des modèles CAO vraisemblables à l'aide de réseaux de neurones spécifiques (GAN, auto-encodeurs, etc.) et de programmes déterministes basés sur des règles.

Les techniques de génération que nous souhaitons explorer sont déjà employées avec un certain succès dans les domaines de l'image (génération de visages, de scènes de route pour le véhicule autonome), du texte, du design (chaussures, vélos, automobile etc.), du dessin technique industriel mais pas encore en CAO 3D. Les modèles CAO sont des objets complexes, qui peuvent être représentés sous la forme de graphes de tailles variables. Leur prise en compte par des réseaux de neurones représente une première difficulté (graph neural network). Des travaux très récents menés à Stanford, Google… montrent qu’il est possible de générer des objets structurés pour des modèles CAO simples. Nous partirons de ces travaux pour obtenir des modèles CAO plus réalistes.

Conditions requises



Profil souhaité

Etapes de travail :


Les étapes du travail seront les suivantes :
-          Bibliographie critique des méthodes de génération adaptées aux modèles CAO.
-          Sélection d’un papier.
-          Adaptation de l’algorithme décrit dans le papier à nos données.
-          Implémentation sur cluster avec les outils habituels (python,  PyTorch ou TensorFlow etc.).
-          Tests et validation avec le logiciel de CAO open source Shaper ([ Link removed ]  
Profil recherché :
Etudiant en master 2 de recherche en machine learning, intéressé par la modélisation géométrique, les graphes.

Durée, conditions de travail :


-          Stage de 6 mois dans les locaux d’EDF sur le plateau de Saclay (si la situation sanitaire le permet), à distance sinon. Ce travail sera mené en collaboration avec l’INRIA.
-          Indemnité : selon profil, à discuter en entretien.

Contacts : [ Email address blocked ] - [ Email address blocked ] - [ Email address blocked ]

Quelques références bibliographiques :
1.       WU, Jiajun, ZHANG, Chengkai, XUE, Tianfan, et al. Learning a probabilistic latent space of object shapes via 3d generative-adversarial modeling. In : Advances in neural information processing systems. 2016. p. 82-90.
2.       SEFF, Ari, OVADIA, Yaniv, ZHOU, Wenda, et al. Sketchgraphs: A large-scale dataset for modeling relational geometry in computer-aided design. arXiv preprint arXiv:2007.08506, 2020.
3.       MO, Kaichun, GUERRERO, Paul, YI, Li, et al. Structurenet: Hierarchical graph networks for 3d shape generation. arXiv preprint arXiv:1908.00575, 2019.
4.       TIAN, Yonglong, LUO, Andrew, SUN, Xingyuan, et al. Lea

Numéro de référence

EDF-2020-20269

Offres similaires

Recevoir des offres similaires

Merci Vous allez recevoir des offres à l'adresse email