À propos

Je suis Matthieu David, Deep Learning Scientist & Engineer. Je travaille à l’intersection de la science fondamentale et de l’intelligence artificielle : un parcours qui m’a mené de la simulation à l’échelle atomique (doctorat en science des matériaux) au deep learning appliqué à la vision par ordinateur et à l’acoustique sous-marine.

Ce site me sert à publier des articles techniques détaillés sur l’IA et à présenter mes projets. J’aime décortiquer les notions, de la théorie à l’implémentation.

Aujourd’hui

• Deep Learning Engineer chez SafranAI (ex-Preligens), depuis 2022.
• Expert Data FRS Cyber/Num dans la réserve de la Marine Nationale, depuis 2025.

Parcours professionnel

SafranAI (ex-Preligens) — Deep Learning Engineer · 2022 – aujourd’hui

• Conception de détecteurs deep / machine learning sur imagerie satellitaire et signaux acoustiques.
• Développement et maintenance d’une bibliothèque Python audio interne pour les cas d’usage d’IA en acoustique sous-marine.
• Pipeline Airflow d’ingestion et stockage de gros volumes de données, en vue du développement de détecteurs IA, modèle fondation en acoustique et autres usages Few-Shot Learning, Active Learning.
• Industrialisation et packaging des solutions pour les clients.

Marine Nationale — Expert Data (réserve) · 2025 – aujourd’hui

• Recueil des besoins utilisateurs et cadrage de projets techniques.
• Développement d’applications (FastAPI & Flask).

Natixis — Data Scientist (stage) · 2020 – 2021

• Modèles de détection d’anomalies pour la surveillance anti-fraude des opérations de marché.
• Travail sur données non étiquetées par méthodes non supervisées : séries temporelles SARIMA-X et Isolation Forest.
• Conception d’un nouveau composant d’alerte et de prévision, et démarrage de son intégration.

Recherche

Thèse de doctorat — CIRIMAT, Toulouse · 2015 – 2019

« Approche multi-échelle des effets des impuretés et des défauts ponctuels sur la solubilité et la diffusion de l’oxygène dans le nickel ».

Les alliages à base de nickel équipent des environnements extrêmes (aéronautique, nucléaire, industrie chimique) où ils subissent corrosion et pénétration d’espèces légères — hydrogène, carbone, azote, oxygène. J’ai quantifié, par une approche multi-échelle, la solubilité et la diffusion de ces espèces dans le nickel, en tenant compte de leurs interactions avec les lacunes et entre elles (formation d’amas).

• Simulations ab initio (DFT, VASP) pour les énergies de formation, de liaison et de migration, ainsi que les phonons.
• Modèle thermodynamique (développement basse température) prédisant la population d’amas en fonction de la température et des concentrations nominales.
• Théorie stochastique de la diffusion(Landman & Shlesinger) pour calculer les coefficients de diffusion.

Principaux résultats : les amas lacune–soluté (V–X) sont les défauts majoritaires ; pour l’oxygène, des amas multi-lacunes / multi-oxygènes (VO_n) peuvent être présents en proportion importante ; H, C et N influencent peu la solubilité de O ; l’accord théorie/expérience est très bon pour la diffusion de H, C et N, mais révèle un désaccord pour O — piste ouverte du rôle des amas et défauts.

Stage de Master 2 — Institut Pprime, Poitiers · 2015

Modélisation ab initio (DFT) des processus de diffusion lors de la croissance de films minces de nitrures métalliques (TiN, AlN). J’y ai déterminé les mécanismes d’adsorption de Al et N sur les surfaces denses de AlN, mettant notamment en évidence la formation d’une molécule N₂. Travaux publiés dans « Ti, Al and N adatom adsorption and diffusion on rocksalt cubic AlN (001) and (011) surfaces: Ab initio calculations ».

Formation

• École 42, Paris · 2019 – 2022
• Doctorat en science des matériaux — Université Paul Sabatier, Toulouse (CIRIMAT) · 2015 – 2019
• Master en science des matériaux — Université de Poitiers · 2013 – 2015
• Licence Physique & Chimie · 2010 – 2013

Compétences

• IA / Deep Learning: Computer Vision, Segmentation, Object Detection, Multi models solutions & Data Simulation, Imagerie Satellitaire, Acoustique Sous-Marine.
• Machine Learning : séries temporelles, méthodes non supervisées, SARIMAX, Isolation Forest, données tabulaires.
• Calcul scientifique : simulation à l’échelle atomique, DFT, thermodynamique, recherche académique.
• Outils : Python, PyTorch, OpenCV, scikit-learn, C, Bash, SQL, Docker, Airflow, Git.

Publications

Intelligence artificielle

• P. Peigné, M. Kniejski, F. Sondej, M. David, J. Hoelscher-Obermaier, C. Schroeder de Witt, E. Kran. Multi-Agent Security Tax: Trading Off Security and Collaboration Capabilities in Multi-Agent Systems. Proceedings of the AAAI Conference on Artificial Intelligence, 39.

Physique / science des matériaux

• First-principles study of the insertion and diffusion of interstitial atoms (H, C, N and O) in nickel — J. Alloys and Compounds 822 (2020).
• Diffusion of interstitial species (H and O atoms) in fcc systems (Al, Cu, Co, Ni and Pd): Contribution of first and second order transition states — J. Alloys and Compounds 772 (2019).
• Study of vacancy-(H,B,C,N,O) clusters in Al using DFT and statistical approaches: Consequences on solubility of solutes — J. Alloys and Compounds 748 (2018).
• Impact of the clusterization on the solubility of oxygen and vacancy concentration in nickel: A multi-scale approach — J. Alloys and Compounds 708 (2017).
• Diffusion of interstitials in metallic systems, illustration of a complex study case: aluminum — J. Phys.: Condensed Matter 29 (2017).
• Ti, Al and N adatom adsorption and diffusion on rocksalt cubic AlN (001) and (011) surfaces: Ab initio calculations — Applied Surface Science 423 (2017).

Hackathons

• Healthcare challenge (Google)
• Finding Failure Cases in Multi-Agent Systems (Apart Research & CAIF)
• AI Testing (Apart Research)

Contact

Le plus simple est de m’écrire par e-mail : contact@madvid.fr. Mon code est sur GitHub.