Conception d’un framework d’inférence de DNNs dédié à la simulation massivement parallèle pour l’Exascale

INRIA et IFP Energies nouvelles, des laboratoires de recherche français de premier plan, recherche un étudiant en master talentueux et motivé pour rejoindre leurs équipes pour un poste de doctorat. La simulation numérique jouant un rôle essentiel dans leurs recherches et leurs applications industrielles, optimiser les performances de leurs simulateurs parallèles est crucial. Les méthodes d'apprentissage profond (DL) ont montré un grand potentiel pour améliorer les méthodes numériques traditionnelles, et leur application dans le calcul haute performance (HPC) est en plein essor. L'objectif de ce doctorat est de développer une méthodologie pour coupler des applications massivement parallèles avec des moteurs d'inférence dans le contexte des machines exascale. Le candidat retenu travaillera sur la conceptualisation et la conception d'un framework d'inférence de réseaux neuronaux profonds (DNN) spécifiquement adapté aux simulations massivement parallèles sur des architectures exascale. 
Le/la doctorant(e) devra examiner les algorithmes DL de pointe et les techniques de calcul parallèle pour développer une compréhension de leur applicabilité dans le contexte des simulations Exascale. Il/elle concevra un framework d'inférence DNN qui s'intègre parfaitement aux codes de simulation massivement parallèles développés dans des langages de bas niveau tels que C, C++ et mettra en œuvre le framework proposé et optimisera ses performances pour exploiter efficacement les capacités des architectures exascale. Il/elle effectuera des tests et une validation rigoureux du framework en utilisant des scénarios de simulation réels pour garantir la fiabilité et la précision. Le/la candidat(e) profitera d’un environnement de recherche dynamique et collaboratif à lINRIA et à IFP Energies nouvelles et aura l’opportunité de travailler sur des recherches de pointe à l'intersection du DL et du HPC. L’encadrement sera assuré par des experts de renommée dans le domaine.

Mots clé  : Machine-Learning, Deep-Learning, CFD, HPC, GNN, Data science

• Directeur de thèse    Prof. Bruno RAFFIN, bruno.raffin@inria.fr DataMove - INRIA Grenoble
• Ecole Doctorale   ED217 MSTII, Université Grenoble Alpes
• Encadrants IFPEN    Dr Jean-Marc GRATIEN & Dr Raphael GAYNO
• Lieu    INRIA, DataMove, Grenoble, France
• Durée et date de début    3 ans, à partir de septembre 2024
• Employeur    INRIA 
• Qualifications    Master en informatique, sciences de l’ingénieur, calcul scientifique, ou similaire. Connaissances approfondies en calcul parallèle, HPC et DL. Bonne maitrise de Python, C, C++, ou Fortran.

Comment postuler : Les candidats intéressés sont invités à envoyer une lettre de motivation et un CV aux encadrants indiqués ci-dessous.