Apprentissage d’un système expert flou pour l’optimisation de procédés

When:
01/12/2018 – 02/12/2018 all-day
2018-12-01T01:00:00+01:00
2018-12-02T01:00:00+01:00

Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : Laboratoire Analyse des Données et Intelligence des Systèmes, CEA List
Durée : 12 mois
Contact : Laurence Boudet à laurence.boudet@cea.fr et jean-philippe.poli@cea.fr
Date limite de publication : 2018-12-01

Contexte :
Dans le cadre du développement de matériaux innovants en couches minces, la mise au point de Procédés de Dépôts sous Vide (PVD) est un processus long et fastidieux mené par des experts du domaine. Ceux-ci cherchent à accroître les propriétés de couches minces pour une application donnée. Ce sont les propriétés d’usage. Elles sont souvent complexes et interdépendantes. Pour les obtenir, les experts du domaine cherchent à caractériser les propriétés physiques ou chimiques des matériaux (épaisseur, etc.), puis à caractériser les propriétés d’usage (résistivité, etc.). Enfin, ils optimisent les paramètres d’élaboration des matériaux (température, pression, etc.) afin d’obtenir les paramètres d’usage souhaités. Dans le cadre de ce projet, nous travaillerons avec plusieurs laboratoires du CEA développant ces techniques.

Sujet :
Afin d’optimiser ces procédés par une intelligence artificielle, nous appliquerons une méthode basée sur les connaissances. Ces connaissances proviendront de deux sources complémentaires : d’une part, une formalisation des connaissances des experts, d’autre part, des connaissances acquises à partir de données (machine learning). Nous utiliserons pour cela un système expert flou développé dans le laboratoire d’accueil. Les systèmes à base de règles sont des logiciels d’Intelligence Artificielle utilisés dans le but de reproduire le raisonnement humain sur des tâches bien spécifiques. La connaissance d’experts humains est représentée par un ensemble de règles de la forme SI… ALORS… La personne recrutée devra développer des méthodes d’apprentissage de règles floues. La preuve de concept s’effectuera avec les jeux de données disponibles des différents laboratoires impliqués afin de mettre en évidence non seulement les liens entre les paramètres d’élaboration et les caractéristiques des matériaux mais aussi les liens entre les caractéristiques matériaux et les propriétés d’usage. Les résultats de différentes approches mises en œuvre seront comparés.

Profil du candidat :
PhD en machine learning ou computer science, idéalement avec une connaissance des systèmes experts flous

Formation et compétences requises :
– Maîtrise d’un langage de programmation orienté objet (java, c++, c#)
– Intérêt pour le travail dans un domaine appliqué
– Dialogue avec les experts du domaine afin de modéliser les connaissances

Adresse d’emploi :
CEA List, Bâtiment Digitéo, 91191 Gif-sur-Yvette Cedex

Document attaché : FichePosteApprentissageOptimisationProcedes2018.pdf