STAGE - Compression neuronale des données DAS pour la surveillance ferroviaire

Publiée le 03/11/2026

Description de l'employeur

La technologie Distributed Acoustic Sensing (DAS) transforme une fibre optique en milliers de capteurs de vibration sur des dizaines de kilomètres. Au sein de SNCF Réseau, le programme de recherche SURFO (SURveillance par Fibre Optique) utilise les fibres télécom déjà installées le long des voies pour surveiller en temps réel l'infrastructure et la circulation ferroviaire. Un seul système DAS produit souvent plusieurs téraoctets de données par jour, ce qui rend le stockage et le transfert coûteux à l'échelle du réseau.

Description du poste

Spécialité : IA, Traitement de signal

L'apprentissage profond est de plus en plus utilisé pour analyser les données DAS : détection et suivi des trains, débruitage, détection d'ondes sismiques. Pour l'audio, les codecs neuronaux (SoundStream, EnCodec, DAC) atteignent des taux de compression remarquables. Les données DAS étant très différentes de l'audio, ces codecs ne peuvent pas être réutilisés tels quels : l'équipe SURFO a donc développé son propre codec neuronal, entraîné à partir de zéro sur des données DAS de surveillance ferroviaire. Les premiers résultats sont prometteurs, mais l'équipe ne dispose pas encore de métriques fiables pour évaluer objectivement la qualité de reconstruction.

 

L'objectif de ce stage est d'évaluer rigoureusement et d'améliorer ce codec, afin d'obtenir le meilleur compromis entre taux de compression et qualité de reconstruction. À plus long terme, ce travail constitue une première étape vers des modèles de fondation pour les données DAS : les représentations compactes apprises par le codec pourront servir de base commune à de nombreuses tâches d'analyse.

 

Le travail s'articulera autour de plusieurs axes complémentaires :

·       Métriques d'évaluation : proposer des métriques fiables, adaptées aux données DAS et aux applications ferroviaires. Elles couvriront à la fois le signal (SNR, erreur dans le domaine fréquence-nombre d'onde f-k, SSIM, cohérence entre canaux) et la performance de tâches en aval (par ex. détection des trains) sur les données reconstruites.

·       Amélioration du codec : faire évoluer l'architecture existante et l'entraîner sur davantage de données (données plus récentes, plus d'événements annotés, plus de sites DAS).

·       Évaluation et comparaison : comparer le codec avec des méthodes de compression de référence.

 

Le stage se déroulera en plusieurs étapes successives (à ajuster selon la durée du stage) :

·       Mois 1 : étude bibliographique, prise en main des données et du codec existant, définition des métriques d'évaluation

·       Mois 2 à 4 : amélioration et extension du codec

·       Mois 5 : évaluation complète et comparaison avec des méthodes de référence

·       Mois 6 : rapport, documentation du code et, si le ou la stagiaire le souhaite, article scientifique

 

L'équipe a un accès complet à plusieurs DAS installés sur différentes lignes et acquérant en continu, soit un volume de données pratiquement illimité. Le ou la stagiaire aura accès à 2 GPU.

Profil recherché

Formation : Formation : Étudiant·e en dernière année d'école d'ingénieur ou Master 2 (BAC+5) en apprentissage automatique, traitement du signal ou domaine proche.

 

Compétences techniques :

·       Solides bases en apprentissage profond et en traitement du signal

·       Très bonne maîtrise de Python et de PyTorch

·       Capacité à analyser et interpréter des données

·       Un intérêt pour la géophysique ou les capteurs à fibre optique serait un plus

 

Qualités personnelles :

·       Rigueur scientifique, curiosité, autonomie

·       Bon esprit d'équipe et capacité de communication

·       Intérêt pour les applications ferroviaires et l'innovation technologique

Rétribution et avantages

Tous nos métiers sont ouverts aux personnes en situation de handicap.

Salaire

Gratification en fonction du niveau d'études

2026-019510