Stage - Implémentation d'Un Deep Equilibrium dans un Graph Neural Network pour l'Opération du Réseau Électrique H/F - 75

RTE construit, transforme, exploite et maintient le réseau public de transport d'électricité français. Sur le plus grand réseau d'Europe, nous équilibrons la production et la consommation, acheminons l'électricité indispensable au quotidien de chacun et à l'activité des industries, et garantissons la solidarité électrique entre les territoires, 24h/24, à chaque seconde.

Acteur central de la transition énergétique, nous accompagnons la décarbonation des industries, sensibilisons les Français aux éco-gestes avec le dispositif EcoWatt et éclairons les choix énergétiques des pouvoirs publics par des études qui font référence.Lieu : Paris La Défense
Durée et/ou période du stage : 6 mois, à partir du deuxième trimestre 2026

En tant que stagiaire, vous serez intégré(e) au sein du Département Pilotage du Réseau (PILOT), dans un groupe de recherche dédié à l'application des Graph Neural Networks (GNN) à l'opération du réseau électrique.

Vous rejoindrez une équipe à l'intersection de la recherche académique et du développement industriel, qui explore les dernières avancées scientifiques pour améliorer la fiabilité et la performance du réseau électrique. L'objectif est de concevoir des outils d'aide à la décision pour les opérateurs du réseau.

Le réseau électrique constitue un système interconnecté, vaste, dynamique et complexe, au coeur de l'économie européenne. Son étude mobilise de nombreux domaines des mathématiques appliquées : optimisation, statistiques, machine learning, théorie des graphes, traitement du signal, etc. Vous évoluerez ainsi dans un environnement stimulant et multidisciplinaire, à la croisée des approches théoriques et pratiques.

RTE développe actuellement une bibliothèque de Graph Neural Networks (GNN), nommée argo (pour amortized real-grid operations), construite sur la librairie jax. Cette bibliothèque vise à fournir des outils d'aide à la décision en temps réel pour les opérateurs du réseau.
Les GNN se prêtent particulièrement bien à la modélisation des réseaux électriques, dont la topologie évolue constamment (ouverture de lignes, ajout de générateurs, etc.). Les premiers résultats obtenus sont prometteurs pour des applications telles que :

- l'optimisation de topologie,
- l'identification de défaillances critiques (contingency screening),
- et le réglage tertiaire de la tension.

Dans cette approche, les couches du réseau de neurones sont structurées sur un graphe orienté, où chaque noeud porte un vecteur latent mis à jour par un Recurrent Neural Network (RNN). Chaque arête du graphe est associée à un réseau de neurones spécifique, induisant des interactions locales entre noeuds. Ce mécanisme est interprété comme la discrétisation d'une Neural ODE, où le nombre de pas de discrétisation correspond au nombre d'itérations de message passing.

L'objectif de ce stage est de proposer une nouvelle méthode d'entraînement du GNN basée sur les Deep Equilibrium Networks (DEQ), qui reposent sur une couche implicite. En s'appuyant sur le théorème des fonctions implicites, cette approche permet de simuler un message passing global : chaque arête peut communiquer instantanément avec des arêtes éloignées du graphe.

Le calcul de l'adjoint repose sur la résolution d'un système linéaire impliquant le Jacobien de la couche implicite, système de grande taille et très creux (par exemple, une matrice 25 000 x 25 000 avec 0,01 % de coefficients non nuls). La performance dépend donc du choix du solveur linéaire. Le travail portera sur :

- l'intégration d'une implicit layer dans la bibliothèque argo,
- la comparaison de différents solveurs linéaires (sparse LU, méthodes de Krylov, etc.),
- et l'intégration finale dans jax sous forme de custom layer.

Sous réserve de la bonne réussite de ce stage, celui-ci pourra être poursuivi par une thèse.

Vous contribuerez aux missions suivantes :

- S'approprier la bibliothèque python argo, actuellement développée à RTE.
- Faire un état de l'art sur les deep equilibrium networks.
- Implémenter un implicit layer adapté dans argo en utilisant la librairie jax. Nous mettrons l'accent sur la performance en utilisant des librairies d'algèbre linéaire sparse en comparant notamment :
- L'algorithme direct sparse LU codé dans NVIDIA cuDSS ;
- Une méthode de Krylov itérative basée sur bicgstab.
- Faire un benchmark comparant la nouvelle méthode d'entraînement avec la précédente.