Mots-Clés
Machine Learning
Détection Automatique
modélisation
exploration d'espaces
Description
Contacts :
• Guillaume Petit – guillaume.petit2@cea.fr
• Théo Beigbeder – theo.beigbeder@cea.fr
• Marie Simonnet – marie.simonnet@cea.fr
• Christophe Raynaud – christophe.raynaud1@umontpellier.fr
Contexte
La solubilité aqueuse est un paramètre clé, du cycle du combustible nucléaire (conception de complexants pour la chimie séparative) à la conception de médicaments. Les bases ouvertes qui la recensent souffrent d’erreurs variées : doublons masqués, erreurs d’unité ou de signe, valeurs censurées non déclarées. Ces anomalies dégradent les modèles d’apprentissage automatique entraînés sur ces données.
Une méthode de détection a été développée dans le cadre d’une thèse au CEA : un modèle de mélange des mécanismes d’erreur de saisie, ajusté mesure par mesure, avec contrôle du taux de fausses découvertes. Elle a produit une base curée de 13 000 mesures, en cours de publication. Deux de ses éléments dépendent di-rectement de la représentation des molécules : l’estimation de la valeur attendue et la définition du voisi-nage chimique. La version actuelle repose sur des descripteurs classiques, alors que le projet dispose au-jourd’hui de représentations bien plus riches (plus de 1 000 descripteurs, descripteurs quantiques g-xTB, des-cripteurs structurés par contribution thermodynamique).
Objectifs
Le stage répondra à une question centrale : quel espace de descripteurs permet de mieux distinguer une mesure anormale d’une mesure correcte, et plus largement de structurer les données de solubilité ? Il s’articulera en deux étapes principales :
• Construction des espaces candidats : descripteurs 2D, empreintes moléculaires, descripteurs quan-tiques et thermodynamiques, représentations apprises (réseaux de graphes, modèles pré-entraînés).
• Comparaison des espaces : capacité à détecter des corruptions synthétiques reproduisant les erreurs réelles, régularité locale de la solubilité, qualité du voisinage chimique, structuration globale (clusters, zones sous-représentées).
Apports pour le candidat
Le principal atout de ce stage est la transversalité des méthodes mobilisées. Détection d’anomalies, apprentissage de représentations, réduction de dimension et contrôle statistique des erreurs sont utilisés dans des secteurs très variés : nucléaire, industrie pharmaceutique, cybersécurité (détection d’intrusions), finance (détection de fraude), maintenance prédictive. Le stagiaire acquerra ainsi des compétences directement valorisables bien au-delà de la chimie. Il travaillera au sein d’une équipe de recherche du CEA, aura accès à des moyens de calcul haute performance et pourra contribuer à une publication scientifique.
Profil recherché
M2 ou dernière année d’école d’ingénieurs en mathématique appliquées, science des données, statistique, bio-informatique, chemo-informatique ou chimie computationnelle. Bonne maîtrise de Python (pandas, scikit-learn ; RDKit apprécié). Un intérêt pour la représentation des molécules et des notions de physico-chimie seront des atouts.