About this role
Summary: This internship involves developing coupled contact models between latent Lagrangian neural networks and finite element methods. The role focuses on formulating contact strategies, validating them on industrial cases like robotic grasping, and combining numerical mechanics with deep learning.
### Sujet de stage
Couplage par contact entre réseaux de neurones lagrangiens latents (world models) et éléments finis (voir description)
### Description de l'offre
En tant que stagiaire au CEA, vous aurez l'opportunité de travailler au sein d'un environnement de recherche de renommée mondiale. Nos équipes sont composées d'experts passionnés et dédiés, offrant un cadre propice à l'apprentissage et à la collaboration. Vous aurez accès à des équipements de pointe et à des ressources de recherche de premier ordre pour mener à bien vos missions.
Contexte :
Les réseaux de neurones lagrangiens latents (LLNN), introduits au CEA List [2] à partir des réseaux lagrangiens [1], apprennent une dynamique réduite qui respecte par construction la mécanique : énergie, masse, symétries. Ils prolongent en dynamique les réseaux à énergie latente (LEBNN) développés pour la statique [3], et permettent déjà d’apprendre une simulation interactive d’un objet déformable à partir d’une simple vidéo
(LaGSplat [4], voir figure). Des travaux en cours les étendent au contact et au frottement en dynamique non régulière (schéma de Moreau–Jean, cônes de Coulomb) [5,6].
L’objectif est d’en faire des briques assemblables : un LLNN doit pouvoir entrer en contact avec un modèle éléments finis classique, ou avec un autre LLNN, sans perdre ses garanties.
Le cœur du travail portera sur la formulation de ce contact combiné entre deux mondes : des impulsions de contact exprimées à travers le décodeur appris, des conditions de compatibilité à l’interface et une résolution conjointe du problème de contact. Parmi plusieurs approches identifiées en interne, il faudra identifier les meilleures stratégies pour ce faire, puis valider sur des cas industriels : préhension robotique de matériaux souples, assemblages, impacts. Le travail mêle mécanique numérique et apprentissage profond. Il s’adresse à des profils grandes écoles ou masters de mathématiques appliquées ou mécanique.
Références :
[1] Miles Cranmer, Sam Greydanus, Stephan Hoyer, Peter Battaglia, David Spergel, Shirley Ho, « Lagrangian Neural Networks », ICLR 2020 Workshop on Integration of Deep Neural Models and Differential Equations, arXiv:2003.04630.
[2] Anand Kumar Agrawal, Anders Thorin, « Latent-Lagrangian neural networks for reduced order modeling of non-autonomous nonlinear dynamical systems », Journal of the Mechanics and Physics of Solids, vol. 214, 106633 (2026).
[3] Louen Pottier, Anders Thorin, Francisco Chinesta, « Latent-Energy-Based NNs: An interpretable Neural Network architecture for model-order reduction of nonlinear statics in solid mechanics », Journal of the Mechanics and Physics of Solids, vol. 194, 105953 (2025).
[4] Louen Pottier, « LaGSplat: Inferring Physics-Governed Interactive Simulation from Monocular Video Using Latent Lagrangian Gaussian Splatting », preprint, arXiv:2608.16324 (2026).
[5] Michel Jean, « The non-smooth contact dynamics method », Computer Methods in Applied Mechanics and Engineering, vol. 177, pp. 235–257 (1999).
[6] Vincent Acary, Bernard Brogliato, Numerical Methods for Nonsmooth Dynamical Systems, Springer (2008).
#*CEA-List*
### Profil du candidat
Niveau demandé : Ingénieur, Master 2 (mathématiques appliquées, IA, mécanique)
Compétences requises : Mécanique numérique et éléments finis, apprentissage profond, programmation Python. Intérêt pour une poursuite en thèse.