Post-Doctorat en Intelligence Artificielle Causalité pour les Lignes de Lumière du Synchrotron H/F

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat. Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale.

Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au coeur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales : - La conscience des responsabilités - La coopération - La curiositéAu sein du laboratoire LIAD (Laboratoire d'Intelligence Artificielle et de science des Données) appartenant au service SGLS (Service de Génie Logiciel pour la Simulation), vous évoluez dans une équipe spécialisée dans le traitement des incertitudes en simulation numérique.

Cette équipe développe des méthodes répondant aux besoins du CEA sur cette thématique et assure parallèlement leur implémentation dans la plateforme logicielle URANIE qui met à disposition les nouvelles fonctionnalités aux utilisateurs métiers.

Vous contribuez au renforcement de ces activités au travers du projet DALLIAE dont l'objectif est la Détection d'Anomalies sur les Lignes de Lumière du synchrotron par Intelligence Artificielle Explicable.

Il s'agit de développer un modèle basé sur la causalité pour déterminer les paramètres des capteurs impliquant les anomalies.

Ainsi, votre travail de recherche s'articulera autour de quatre axes : - Comprendre et prendre en main les données produites par les lignes de lumière : les paramètres des instruments de mesure et les différents types d'anomalies.

Pour se faire, on s'appuiera sur les connaissances des partenaires du projets, experts en physique, en optique et en instrumentation liées aux lignes de lumières.

Concevoir le modèle d'IA explicable basé sur les graphes causaux explicitant les liens entre les différents paramètres et les anomalies.

On s'intéressera en particulier à la détection des variables latentes impactant l'incertitude liée à la détection d'un lien causal, la dimensionnalité des données et aux interactions entre les différentes potentielles causes.

• Pour ce faire, on pourra se placer dans la cadre des graphes bayésiens causaux. - Soutenir et participer au travail du LIAD en prenant part aux sollicitations qu'elles soient côté méthodologie incertitude, intelligence artificielle (voire les deux) ;
• Valoriser vos travaux via la rédaction de notes techniques, l'écriture de publications dans des conférences et des journaux consacrés, et la participation aux réunions du projet DALLIAE avec l'ensemble des experts.

De profil docteur / e en IA, une expérience est appréciée mais pas obligatoire.La capacité à travailler en équipe est nécessaire, tout en faisant preuve d'autonomie dans les tâches au quotidien.

Les développements en IA avançant rapidement, il est nécessaire que la candidate ou le candidat ait la capacité de renouveler et enrichir ses compétences de manière continue.

Enfin, d'excellentes capacités d'expression, orale et écrite, en anglais, vous seront nécessaires pour échanger avec les nombreux partenaires du projet.

Sur le plan scientifique et technique, vous pouvez justifier : - De solides compétences en machine learning (data science, graphe bayésien) et en statistique,- Des connaissances et / ou une expérience en recherche de causalité ainsi qu'en quantification d'incertitude sont un plus,- D'une expérience significative en développement logiciel, s'appuyant idéalement sur la maîtrise d'un langage de prototypage (idéalement Python 3) et sur l'utilisation d'outils de développement et de partage de code tels que Git ou SVN sera également appréciée.