Poste de recherche postdoctoral en physique et apprentissage automatique, Caen, France (H/F)

Nous recherchons un chercheur postdoctoral hautement motivé pour rejoindre notre équipe travaillant à l’intersection de la physique des particules et de l’apprentissage automatique. Le candidat idéal aura une solide formation en physique, en particulier en physique des particules, et une expertise dans les techniques d’apprentissage automatique.

Description du projet : Le candidat retenu se concentrera sur l’analyse et l’avancement des méthodes d’estimation de l’incertitude pour les réseaux neuronaux, en mettant l’accent sur les modèles génératifs. La recherche visera à développer et à expérimenter de nouveaux algorithmes capables de fournir des estimations d’incertitude fiables pour les modèles d’apprentissage automatique utilisés dans les simulations de physique des hautes énergies.

Le contexte d’application de cette recherche sera l’étude des neutrinos dans les télescopes KM3NeT, en se concentrant spécifiquement sur les oscillations des neutrinos atmosphériques et l’existence potentielle de neutrinos stériles. Actuellement, les simulations de Monte Carlo (MC) sont largement utilisées pour modéliser les observations de neutrinos, fournissant des résultats avec des garanties sur la qualité des données mais à un coût de calcul élevé. Le projet explorera le potentiel de remplacement de ces simulations MC dans certaines applications par des modèles génératifs tels que les modèles de diffusion ou d’autres approches génératives, tout en abordant la question critique de la fiabilité par rapport aux simulations MC traditionnelles.

Principales responsabilités:

1. Réaliser une revue complète de la littérature sur l’estimation de l’incertitude dans les réseaux neuronaux, en se concentrant sur les modèles génératifs.
2. Proposer et expérimenter de nouveaux algorithmes de quantification de l’incertitude dans les modèles génératifs.
3. Appliquer les méthodes développées aux simulations de physique des neutrinos et comparer les résultats avec les approches traditionnelles de Monte Carlo.
4. Collaborer avec des physiciens et des experts en apprentissage automatique pour garantir la pertinence et l’applicabilité des méthodes développées.
5. Présenter les résultats de la recherche lors de conférences et préparer des manuscrits pour publication dans des revues à comité de lecture.

Qualifications:

• Doctorat en physique, en informatique ou dans un domaine connexe
• Expérience en simulation Monte Carlo, physique des particules et apprentissage automatique
• Expérience avec les modèles génératifs et les techniques de quantification de l’incertitude
• Maîtrise des langages de programmation couramment utilisés dans le calcul scientifique et l’apprentissage automatique (par exemple, Python, PyTorch, TensorFlow)
• Excellentes compétences en communication et en collaboration
• Des publications dans des domaines pertinents sont hautement souhaitables.

Ce poste offre une opportunité passionnante de contribuer à la recherche de pointe à l’intersection de la physique fondamentale et des techniques avancées d’apprentissage automatique. Le candidat retenu intégrera un groupe interdisciplinaire dynamique composé de chercheurs, d’experts en IA et d’étudiants au doctorat du groupe expérimental KM3NeT du LPC et du GREYC. L’accès à des ressources informatiques de pointe est disponible localement et dans les centres de calcul nationaux.

Pour postuler, veuillez soumettre votre CV, une brève déclaration de vos intérêts de recherche et les coordonnées de trois références à [“Frederic Jurie” < frederic.jurie@unicaen.fr >, “Antonin Vacheret” < vacheret@lpccaen.in2p3.fr >].

Les références: 

[1] Barbetti, M., 2023. Lamarr : Simulation ultra-rapide du LHCb basée sur des modèles d’apprentissage automatique déployés dans Gauss.

[2] Sjostrand T, Mrenna S et Skands PZ 2008 Comput. Phys. Commun. 178 852–867 (Préimpression 0710.3820)

[3] Lange DJ 2001 Nucl. Instrument Méth. A 462 152-155

[4] Bellagente M, Haußmann M, Luchmann M et Plehn T 2021 Comprendre les réseaux de génération d’événements via les incertitudes (Preprint 2104.04543)