Doctorant sur la conception de structures absorbantes électromagnétiques par réseaux de neurones profonds informés par la physique (h/f) (H/F)

Lieu : Palaiseau, France

Construisons ensemble un avenir de confiance
Thales est un leader mondial des hautes technologies spécialisé dans trois secteurs d'activité : Défense & Sécurité, Aéronautique & Spatial, et Cyber & Digital. Il développe des produits et solutions qui contribuent à un monde plus sûr, plus respectueux de l'environnement et plus inclusif. Le Groupe investit près de 4,5 milliards d'euros par an en Recherche & Développement, notamment dans des domaines clés de l'innovation tels que l'IA, la cybersécurité, le quantique, les technologies du cloud et la 6G. Thales compte près de 85 000 collaborateurs dans 65 pays.






Nos engagements, vos avantages- Une réussite portée par notre excellence technologique, votre expérience et notre ambition partagée

- Un package de rémunération attractif

- Un développement des compétences en continu : parcours de formation, académies et communautés internes

- Un environnement inclusif, bienveillant et respectant l'équilibre des collaborateurs

- Un engagement sociétal et environnemental reconnu





Votre quotidienThales Research&Technology, notre centre de recherche dans les domaines matériels, et CortAIx Labs, notre centre de recherche en IA et digital ont pour mission de proposer des innovations de ruptures, de maintenir et d'accroitre l'avance technologique et d'en assurer la compétitivité pour le groupe.

En nous rejoignant votre sujet de thèse s'inscrira dans le cadre du développement de structures absorbantes micro-ondes innovantes, destinées à la discrétion électromagnétique et à la réduction d'interférences entre systèmes communicants. L'évolution des besoins dans les domaines de la défense, de l'aérospatiale et des communications conduit à la recherche des architectures absorbantes de plus en plus compactes, large bande, stables en polarisation et robustes vis-à-vis de l'incidence de l'onde.
Pour répondre à ces besoins, il devient nécessaire d'explorer des structurations périodiques absorbantes avancées, intégrant éventuellement plusieurs matériaux, à différentes échelles géométriques et de nombreux degrés de liberté de conception. Bien que ces architectures offrent des perspectives importantes en performances, elles complexifient les étapes de modélisation et d'optimisation.

L'utilisation de réseaux de neurones informés par la physique apparaît particulièrement pertinente. L'association des connaissances physiques avec des capacités de généralisation des modèles d'apprentissage permettrait d'accélérer l'analyse des performances, de construire des modèles de substitution fiables, et d'optimiser la conception inverse. De plus, ces approches faciliteraient l'exploitation efficace des données de simulation, tout en réduisant le nombre d'évaluations coûteuses par les solveurs électromagnétiques classiques.
Ainsi, votre objectif sera de développer des outils de conception de structures absorbantes s'appuyant sur l'apprentissage profond informé par la physique, afin de lever les verrous liés au coût de calcul, à la complexité des espaces de conception et à l'intégration dans les solveurs numériques des mécanismes physiques gouvernant l'absorption.

Dans ce contexte, vos missions seront les suivantes :
- Réaliser une analyse approfondie de l'état de l'art sur deux sujets principaux : les structures absorbantes micro-ondes, leurs performances, leurs technologies de fabrication et leurs principaux verrous scientifiques et techniques ; l'application de réseaux de neurones aux problématiques électromagnétiques, en particulière pour les structures périodiques et/ou les mécanismes d'absorption.

- Mener des travaux de modélisation basés sur les méthodes numériques afin d'approfondir la compréhension des mécanismes physiques gouvernant les phénomènes d'absorption électromagnétique.

- Développer et mettre en oeuvre des réseaux de neurones profonds informés par la physique capables de prédire efficacement la réponse des structures absorbantes tout en intégrant les contraintes et connaissances physiques du problème.

- Définir avec vos encadrants un ou plusieurs cas d'étude représentatifs afin d'évaluer les performances des méthodes proposées.

- Concevoir un démo