About this role
Summary: Develop self-supervised learning and multimodal representation methods for analyzing multi-diagnostic tokamak WEST experimental data. Collaborate with physicists to define scientific use cases, evaluate model robustness, and produce reproducible demonstrators and scientific publications.
### Sujet de stage
Développement de méthodes d'apprentissage auto-supervisé et de représentation multimodale pour l'exploitation des données expérimentales multi-diagnostics du tokamak WEST, en particulier des séries temporelles multivariées et de leurs représentations temps-fréquence.
### Description de l'offre
Missions
Au sein d’une équipe pluridisciplinaire associant IA, traitement du signal et physique des plasmas, les principales missions seront de:
- Développer et d'évaluer des méthodes d'apprentissage auto-supervisé et de représentation multimodale adaptées aux données expérimentales multi-capteurs hétérogènes.
- Étudier la capacité des représentations apprises à extraire des informations pertinentes sur le comportement et la dynamique du plasma à partir de séries temporelles multivariées et de représentations temps-fréquence, notamment lorsque les annotations sont limitées.
- Définir, en collaboration avec les physiciens de WEST, plusieurs cas d'usage scientifiques permettant d'évaluer l'utilité, la robustesse et la généralisation des représentations apprises.
- Comparer les approches développées à des méthodes de référence récentes et explorer, lorsque cela est pertinent, leur transférabilité méthodologique à d'autres données scientifiques multi-capteurs.
Les travaux donneront lieu à la production d’un cadre méthodologique documenté, de démonstrateurs reproductibles sur données WEST et géophysiques, ainsi qu’à des publications scientifiques.
Environnement de travail
Le poste est basé à l’IRFM du CEA, à Cadarache, et est réalisé en collaboration avec la DAM/DIF du CEA à Bruyères-le-Châtel.
Le post-doctorant évoluera dans un environnement interdisciplinaire associant intelligence artificielle, traitement du signal, exploitation de données expérimentales et physique des plasmas. Il bénéficiera d’interactions avec les équipes scientifiques et techniques impliquées dans l’exploitation des données de WEST ainsi qu’avec les équipes de la DAM/DIF.
Le contrat est d’une durée de 24 mois, avec un objectif de deux publications scientifiques au cours du projet.
### Profil du candidat
Docteur(e) en apprentissage automatique, mathématiques appliquées , traitement du signal, informatique, physique appliquée ou domaine connexe, avec une thèse soutenue de préférence depuis moins de deux ans.
Vous disposez d'une solide expérience en apprentissage automatique et/ou deep learning, avec de bonnes compétences en Python, Pytorch et en calcul scientifique. Une expérience en traitement de séries temporelles multivariées, traitement du signal, données multi-capteurs, apprentissage de représentations, apprentissage auto-supervisé ou apprentissage multimodal est particulièrement appréciée.
Une expérience dans l'exploitation de données expérimentales issues de grands instruments scientifiques ou de systèmes multi-capteurs complexes constituera un atout.
La maîtrise des bonnes pratiques de développement scientifique (Git, documentation, reproductibilité des expériences), un bon niveau d'anglais scientifique et une aptitude au travail collaboratif et interdisciplinaire sont requis.
Autonomie, rigueur scientifique et intérêt marqué pour l'application de méthodes modernes d'intelligence artificielle à la physique sont attendus.
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.