Alternance - Ai Research Engineer - Multiphysics E-machine Simulation (h/f)

Valeo, entreprise technologique, partenaire de tous les constructeurs automobiles et des nouveaux acteurs de la mobilité, œuvre pour une mobilité plus propre, plus sûre et plus intelligente, grâce à ses innovations. Valeo dispose d’un leadership technologique et industriel dans l’électrification, les aides à la conduite, la réinvention de la vie à bord et l'éclairage à l’intérieur et à l’extérieur du véhicule. Ces quatre domaines, essentiels à la transformation de la mobilité, sont les vecteurs de croissance du Groupe.
Valeo en chiffres: 21.5 milliards d'euros de chiffre d'affaires en 2024 | 106 100 employés, 28 pays, 155 sites de production, 64 centres de recherche et développement et 19 plateformes de distribution au 28 février 2025. Valeo est cotée à la Bourse de Paris.

Dans le cadre de la transition vers la mobilité électrique, la conception de machines électriques performantes nécessite des centaines d'itérations. L'objectif de cette alternance est de dépasser les simples "modèles de substitution" pour développer un Agent IA Autonome capable de comprendre la physique sous-jacente (magnétisme, contraintes thermiques), d'orchestrer les flux de simulation et d'optimiser les conceptions en temps réel.

Vos missions ~

• Cartographie des workflows & Synthèse de données ~ Analyser la chaîne de simulation magnétique classique (Méthode des Éléments Finis - FEA) et prétraiter les jeux de données (géométrie, matériaux, métriques de performance).

• Développement de modèles hybrides ~ Concevoir et implémenter des réseaux de neurones informés par la physique (PINN) ou des réseaux de neurones sur graphes (GNN), et développer des modèles de substitution (surrogate models) pour l'estimation rapide des performances.

• Architecture d'agents IA ~ Construire un Agent IA (via des frameworks comme LangGraph ou AutoGen) capable de déclencher des simulations, d'interpréter les erreurs ou résultats physiques aberrants, et d'itérer de manière autonome pour atteindre les KPI multi-physiques.

• Validation ~ Comparer les prédictions de l'IA aux solveurs FEA haute fidélité et évaluer le compromis entre le gain de vitesse et la précision.
  

Parlons de vous…

Formation ~ Master 2 (M2) en cours.

Domaine ~ Mathématiques Appliquées, Sciences Calculatoires ou Machine Learning (Université ou École d'Ingénieurs).

Programmation & Deep Learning ~ Maîtrise de Python (NumPy, Pandas, Scikit-learn) et des frameworks de deep learning (PyTorch ou TensorFlow).

Mathématiques ~ Solides bases en Équations aux Dérivées Partielles (EDP), théorie de l'optimisation et algèbre linéaire.

Physique & Simulation ~ Bonnes notions en électromagnétisme ou en Analyse par Éléments Finis (FEA). La connaissance d'outils comme Ansys Maxwell, JMAG ou Altair Flux est un atout.

Compétences techniques & Outils ~

Une expérience en Apprentissage par Renforcement (Reinforcement Learning) ou en Optimisation Bayésienne est appréciée.

Qualités professionnelles ~

• Esprit d'analyse rigoureux.

• Autonomie et curiosité pour les problématiques multidisciplinaires.

• 
  Date de Début ~ Septembre 2026
  
  Durée ~ 1 an
  
  Gratification ~ en fonction du niveau d’études
  
  Position~
  
  R&D Trainee/Apprentice/VIE
  
  Département~
  
  Electrotechnic Development
  
  Schedule~
  
  Temps plein