Variabilité spatio-temporelle de la moyenne et haute atmosphère : caractérisation de données multi-sources, agrégation et cas d’usage pour l’intelligence artificielle
Le projet MATRIA (Moyenne et haute Atmosphère en Temps Réel par Intelligence Artificielle) vise à
développer et évaluer des preuves de concept en intelligence artificielle pour la prévision en temps-
réel de champs atmosphériques (vents, température, densité) à l’échelle globale sur l'ensemble de la
colonne 0-150 km. Porté par un consortium IRD-CEA-ONERA, il s'inscrit dans le cadre de la recherche
exploratoire duale (civil / Défense) de l'appel ASTRID (Accompagnement Spécifique des Travaux de
Recherches d’intérêt Défense), en répondant à des enjeux stratégiques de connaissance de
l'environnement atmosphérique pour la prévision, la surveillance infrason et l'aide à la décision. Cependant les approches contemporaines pour la surveillance consistent en la fusion d’approches temps réels jusqu’à la stratosphère et de climatologies (tendances saisonnières) dans les couches supérieures. Pour répondre aux impératifs opérationnels de surveillance, il convient de développer un outil permettant de prévoir en temps-réel les états de l’atmosphère jusqu’à la basse thermosphère (~150 km). L’intelligence artificielle permettrait de répondre à ce besoin
Fouille de Données et Caractérisation Accélérée pour la Compréhension de l'Oxydation en Couches Duplexes
Le projet FOCACCYA, mené sur deux ans par un consortium interdisciplinaire (CEA, Institut Clément Ader), vise à comprendre et prévenir la formation de couches d'oxydes duplexes, critiques pour la corrosion des matériaux dans des environnements industriels comme les réacteurs nucléaires. Il combine fouille de données bibliographiques et expérimentales, analyse statistique et expériences de caractérisation avancée pour identifier les paramètres clés de ce phénomène. Les résultats seront intégrés dans une base de données pour modéliser les mécanismes de corrosion et améliorer la protection des matériaux. La personne recrutée sur un contrat post-doctoral de deux ans prendra en charge la mise en place de la base de données et son exploitation par des méthodes numériques (statistiques, ML et IA).
Exploration de l'espace des configurations atomiques par IA générative pour la simulation des matériaux nucléaires chimiquement désordonnés
Comment prédire les propriétés d'un matériau quand le nombre de configurations atomiques possibles dépasse 2^2500 ? C'est le verrou que nos équipes IRESNE (physique des combustibles nucléaires) et LIST (IA) viennent de lever avec PULSE, une méthode générative (VAE) publiée dans Nature Scientific Reports, qui réduit déjà le coût de calcul de plus de deux ordres de grandeur (22 282 h CPU ramenées à 85 h CPU sur un cas test). Sans équivalent connu dans la littérature internationale, PULSE positionne le CEA en pionnier sur l'échantillonnage génératif de l'espace des configurations des matériaux à désordre chimique.
Ce postdoc de 24 mois vous donne l'opportunité de porter cette méthode vers sa prochaine génération, en pilotant trois axes ambitieux, menés en parallèle : repousser la précision du modèle sur des systèmes de plusieurs milliers d'atomes grâce à une architecture IWAE ; lui donner la capacité de quantifier ses propres incertitudes, un prérequis pour toute utilisation en sûreté nucléaire ; et, en deuxième année, vous attaquer à un axe exploratoire à haute valeur scientifique — généraliser PULSE à un
espace latent continu, ouvrant la voie à son application à tout cristal ou alliage désordonné.
Vous évoluerez au cœur d'un consortium interne au CEA associant deux expertises complémentaires (physique atomistique des combustibles nucléaires à IRESNE, IA générative de pointe au LIST), avec accès aux supercalculateurs du CEA, la liberté de publier dans des revues de premier plan, et la perspective de voir vos résultats alimenter directement les analyses de sûreté des réacteurs via la plateforme PLEIADES. Un poste taillé pour un profil curieux, qui veut allier recherche de pointe en IA générative et impact concret sur un enjeu stratégique pour l'énergie nucléaire.
Développement d'approches pour l'intelligence artificielle à base de bruit
Les approches actuelles de l'IA sont largement basées sur la multiplication matricielle. Dans le de ce projet postdoccadre toral, nous aimerions poser la question suivante : quelle est la prochaine étape ? Plus précisément, nous aimerions étudier si le bruit (stochastique) pourrait être la primitive computationnelle sur laquelle la nouvelle génération d'IA est construite. Nous répondrons à cette question en deux étapes. Tout d'abord, nous explorerons les théories concernant le rôle computationnel du bruit microscopique et au niveau du système dans les neurosciences, ainsi que la façon dont le bruit est de plus en plus exploité dans l'intelligence artificielle. Nous visons à établir des liens concrets entre ces deux domaines et, en particulier, nous explorerons la relation entre le bruit et la quantification de l'incertitude.
Sur cette base, le chercheur postdoctorant développera ensuite de nouveaux modèles qui exploitent le bruit pour effectuer des tâches cognitives, dont l'incertitude est une composante intrinsèque. Cela ne servira pas seulement comme une approche d'IA, mais aussi comme un outil informatique pour étudier la cognition chez les humains et aussi comme un modèle pour des zones spécifiques du cerveau connues pour participer à divers aspects de la cognition, de la perception à l’apprentissage, la prise de décision et la quantification de l'incertitude.
Les perspectives du projet postdoctoral devraient informer sur la manière dont l'imagerie IRMf et les enregistrements électrophysiologies invasifs et non invasifs peuvent être utilisés pour tester les théories de ce modèle. En outre, le candidat devra interagir avec d'autres activités du CEA liées au développement d'accélérateurs d'IA analogiques basés sur le bruit.
Développement d'Algorithmes pour la Détection et la Quantification de Biomarqueurs à partir de Voltammogrammes
L'objectif du post-doctorat est de développer une solution algorithmique et logicielle performante permettant la détection et la quantification des biomarqueurs d'intérêt à partir de voltammogrammes. Ces voltammogrammes sont des signaux unidimensionnels issus de capteurs électrochimiques innovants. L'étude sera réalisée en étroite collaboration avec un autre laboratoire du CEA-LIST, le LIST/DIN/SIMRI/LCIM, qui proposera des capteurs électrochimiques dédiés et novateurs, ainsi qu'avec la start-up USENSE, qui développe un dispositif médical permettant la mesure de plusieurs biomarqueurs dans l'urine.
Reconstruction tomographique par rayons X basée sur des méthodes analytiques et Deep-Learning
Le CEA-LIST développe la plateforme logicielle CIVA, référence de la simulation des procédés de contrôle non destructif. Elle propose notamment des outils pour l’inspection radiographique X et tomographique qui permettent, pour un contrôle tomographique donné, de simuler l’ensemble des projections radiographiques (ou sinogramme) en prenant en compte divers phénomènes physiques associés, ainsi que la reconstruction tomographique correspondante.
Le travail proposé s’intègre dans la contribution du laboratoire à un projet européen qui porte sur l’inspection tomographique de containers de transport de marchandise avec des systèmes d’inspection utilisant des sources de haute énergie. Les contraintes spatiales de l’étape d’acquisition des projections (les camions transportant les containers passent dans un portique d’inspection) impliquent une adaptation de la géométrie du système source/détecteur et par conséquent de l’algorithme de reconstruction correspondant. De plus, le système ne peut générer qu’un nombre de projections réduit, ce qui rend le problème mal posé dans le contexte de l’inversion.
Les contributions attendues portent sur deux aspects distincts de la méthodologie de reconstruction à partir des données acquises. D’une part, il s’agit d’adapter les méthodes de reconstruction analytiques à la géométrie d’acquisition spécifique de ce projet, et d’autre part de travailler sur des méthodes permettant de pallier le manque d’information lié au nombre limité de projections radiographiques. Dans cet objectif, des méthodes d’apprentissage supervisé, plus spécifiquement par Deep-Learning, seront utilisées à la fois pour compléter le sinogramme, et pour réduire les artéfacts de reconstruction causées par le faible nombre de projections disponible. Une contrainte d’adéquation aux données et au système d’acquisition sera également introduite afin de générer des projections physiquement cohérentes.
Développement d'algorithmes d'intelligence artificielle pour la localisation bande étroite
Les signaux bande étroite sont largement utilisés dans le contexte des réseaux de télécommunication faible consommation, qui sont l’un des composants clé de l’internet des objets (IoT). Cependant, ces signaux ne disposant que d’une bande de fréquence limitée, ils sont peu adaptés à de la localisation de précision, en particulier dans des environnements complexes tels que centre-ville ou des canyons urbains qui perturbent fortement le trajet de l’onde. Une approche permettant de surmonter ces difficultés consiste à s’appuyer sur un modèle 3D de la ville et de ses bâtiments afin d’améliorer la modélisation de la propagation cependant les algorithmes classiques (lancés de rayons par ex.) ont montré leurs limites pour répondre à un problème aussi complexe. Afin de dépasser les limitations actuelles, le laboratoire LCOI souhaite explorer les approches à base d’intelligence artificielle (IA) qui semblent très pertinentes pour ce type de problèmes. Le laboratoire LCOI a déployé un réseau bande étroite dans la ville de Grenoble et démarré une large collecte de mesure afin de supporter ces études.
En s’appuyant sur l’analyse de la littérature existante ainsi que sur les connaissances acquises au sein du laboratoire, le candidat devra
- Superviser et contribuer à la campagne de mesures
- Exploiter les données collectées afin de mieux comprendre les caractéristiques de propagation des signaux bande étroite dans différents environnements
- Développer une chaine de simulation de la propagation des signaux
- Affiner les calculs de borne de performance d’une localisation bande étroite
- Développer des algorithmes de localisation utilisant l’intelligence artificielle ainsi que la topologie 3D, et les comparer à ceux de l’état de l’art
- Contribuer des projets au travers de son travail de recherche
- Publier son travail dans des conférences et des journaux de qualité
développement d'un jumeau numérique de procédés complexes
L’émergence actuelle des nouvelles technologies du numérique fait entrevoir de nouvelles perspectives à l’industrie. L'application de ces technologies à l’exploitation des procédés de vitrification pourrait permettre d’améliorer la connaissance des procédés, optimiser leurs exploitations, de former les opérateurs, d'aider à la maintenance prédictive et d'assister à la conduite du procédé.
L'objectif du projet SOSIE est de faire une première preuve de concept de mise en œuvre de technologies numériques dans le domaine des procédés de vitrification, en intégrant réalité virtuelle, réalité augmentée, IoT (Internet des Objets) et Intelligence Artificielle.
Ce projet, mené en collaboration, entre le CEA et la PME GAMBI-M, est un projet région type READYNOV. GAMBI-M est une entreprise spécialisée dans la reconstruction d’environnements complexes et en ingénierie numérique. Le travail sera réalisé en collaboration étroite avec les équipes du CEA qui développent les procédés de vitrification des déchets nucléaires.
Le projet consiste à développer un jumeau numérique de 2 procédés de vitrification, l'un à froid, l'autre en haute activité. Il sera question de développer un jumeau numérique visuel, grâce auquel l’utilisateur pourra visiter les cellules et accéder en tout point en virtuel. A partir de ce modèle reconstruit, un jumeau « augmenté » sera développé et sera connecté à l’automate de supervision. Enfin, la dernière étape consistera à développer « le jumeau intelligent » en exploitant les bases de données existantes sur le fonctionnement du procédé. En entrainant des algorithmes d’IA sur ces données, un modèle prédictif de fonctionnement nominal sera généré.
Des publications sont attendues sur la mise en œuvre des outils de réalité virtuelle et réalité augmentée sur des opérations en chaines blindées, ainsi que sur le développement de méthodes d’apprentissage profond pour l’assistance à la conduite de procédés aussi complexes.
Circuits hybrides CMOS / spintronique pour le calcul d'optimisation
Le sujet proposé s’inscrit dans le contexte de la recherche d'accélérateurs hardware pour la résolution de problèmes d’optimisation NP-difficiles. De tels problèmes, dont la résolution exacte en temps polynomial est hors de portée des machines de Turing déterministes, trouvent des applications dans divers domaines tels que les opérations logistiques, le design de circuits (e.g. placement-routage), le diagnostic médical, la gestion de réseaux intelligents (e.g. smart grid), la stratégie de management etc.
L'approche considérée s'inspire du modèle d'Ising, et repose sur l'évolution de la configuration des états binaires d'un réseau de neurones artificiels. Dans le but d'améliorer la précision du résultat ainsi que la vitesse de convergence, les éléments du réseau peuvent bénéficier d'une source d'aléas intrinsèque ajustable. Des preuves de concept récentes soulignent l'intérêt de matérialiser de tels neurones via la résistance de jonctions superparamagnétiques.
Les objectifs principaux sont la simulation, le dimensionnement puis la fabrication de réseaux d'éléments hybrides associant la circuiterie CMOS à des jonctions tunnel magnétiques. Les véhicules de test seront ensuite caractérisés en vue de démontrer leur fonctionnalité.
Ces travaux s'effectueront dans le cadre d'une collaboration scientifique entre le CEA-Leti et Spintec.
Sûreté et assurance des systèmes basés Intelligence Artificielle
Le poste est lié à l’évaluation de la sûreté et à l’assurance des systèmes basé IA (Intelligence Artificielle). Actuellement, pour un système n’utilisant pas des composants d’apprentissage automatique, la sûreté fonctionnelle est évaluée avant le déploiement du système et les résultats de cette évaluation sont compilés dans un dossier de sécurité qui reste valable pendant toute la durée de vie du système. Pour les nouveaux systèmes intégrant des composants d’IA, en particulier les systèmes auto-apprenants, une telle approche d’ingénierie et d’assurance n’est pas applicable car le système peut présenter un nouveau comportement face à des situations inconnues pendant son fonctionnement.
L’objectif du post-doc sera de définir une approche d’ingénierie pour effectuer une évaluation de la sûreté des systèmes basés IA. Un deuxième objectif est de définir les artefacts du dossier d’assurance (objectifs, preuves, etc.) pour obtenir et préserver une confiance justifiée dans la sûreté du système tout au long de sa durée de vie, en particulier pour les systèmes basés IA à apprentissage opérationnel. L’approche sera mise en œuvre dans un framework open-source qui sera évaluée sur des applications industrielles.
Le titulaire du poste rejoindra une équipe de recherche et développement dans un environnement très stimulant avec des opportunités uniques de développer un solide portefeuille technique et de recherche. Il devra collaborer avec des partenaires académiques et industriels, contribuer et gérer des projets nationaux et européens, préparer et soumettre du matériel scientifique pour publication, fournir des conseils aux doctorants.