En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR137-DANMAR-003 - Chercheur Postdoctoral en Calcul Neuromorphique Quantique avec Circuits Supraconducteurs (H/F)

Chercheur Postdoctoral en Calcul Neuromorphique Quantique avec Circuits Supraconducteurs (H/F)

Cette offre est disponible dans les langues suivantes :
- Français-- Anglais

Date Limite Candidature : mercredi 24 avril 2024

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler

Informations générales

Intitulé de l'offre : Chercheur Postdoctoral en Calcul Neuromorphique Quantique avec Circuits Supraconducteurs (H/F)
Référence : UMR137-DANMAR-003
Nombre de Postes : 1
Lieu de travail : PALAISEAU
Date de publication : mercredi 3 avril 2024
Type de contrat : CDD Scientifique
Durée du contrat : 12 mois
Date d'embauche prévue : 1 juin 2024
Quotité de travail : Temps complet
Rémunération : 2993 - 4204 euros brut en fonction de l'expérience
Niveau d'études souhaité : Niveau 8 - (Doctorat)
Expérience souhaitée : Indifférent
Section(s) CN : Matière condensée : structures et propriétés électroniques

Missions

Nous cherchons un candidat motivé pour rejoindre notre équipe sur les expériences en calcul neuromorphique quantique avec des circuits supraconducteurs. Le calcul neuromorphique quantique exploite les systèmes quantiques analogiques pour implémenter des réseaux de neurones, en tirant parti de leurs propriétés quantiques pour obtenir un apprentissage plus efficace [1-3]. De plus, il offre un nouvel outil pour étudier l'évolution des systèmes quantiques ouverts.
Dans notre équipe, nous étudions divers schémas d'apprentissage avec des oscillateurs quantiques couplés de manière paramétrique. De tels oscillateurs quantiques offrent des avantages distincts par rapport aux qubits traditionnels, notamment un espace de Hilbert beaucoup plus grand pour l'encodage des neurones et la capacité d'apprendre les amplitudes des pompes paramétriques en tant que paramètres dans le cadre des réseaux de neurones. Nos recherches en cours se concentrent sur l'exploration des sources de non-linéarité neuronale, telles que l'effet Kerr et la mesure. À travers des simulations, nous avons déjà démontré la capacité des oscillateurs quantiques à effectuer des tâches de classification complexes nécessitant la non-linéarité et la mémoire [4], ainsi que leur entraînement en utilisant des probabilités d'échantillonnage gaussien de bosons pour calculer analytiquement les gradients pour l'optimisation par descente de gradient [5].

Références :

1. Fujii, K. & Nakajima, K. Harnessing disordered-ensemble quantum dynamics for machine learning. Phys Rev Appl 8, 024030 (2017).
2. Rudolph, M. S. et al, Generation of High-Resolution Handwritten Digits with an Ion-Trap Quantum Computer. Phys. Rev. X, 12, 31010 (2022).
3. Huang, H. Y., Broughton, M., Cotler, J., Chen, S., Li, J., Mohseni, M., Neven, H., Babbush, R., Kueng, R., Preskill, J., & McClean, J. R. (2022). Quantum advantage in learning from experiments. Science, 376, 1182–1186.
4. Dudas, J. et al. Quantum reservoir neural network implementation on coherently coupled quantum oscillators. Npj Quant. Inf., 9, 64 (2023).
5. Marković, D. Physics for neuromorphic computing, APS March Meeting (2024).

Activités

Le projet postdoctoral se concentre sur la mise en œuvre expérimentale de ce nouveau paradigme d'apprentissage. Il impliquera la conception, la fabrication et la mesure de circuits supraconducteurs, ainsi que la mise en œuvre de tâches d'apprentissage automatique.

Compétences

• Doctorat en physique de la matière condensée ou dans un domaine connexe.
• Solide expérience en calcul quantique, information quantique ou dans des domaines connexes.
• Expérience dans le travail expérimental avec des circuits supraconducteurs, cryogénie, mesures micro-ondes, micro- et nano-fabrication.
• Maîtrise des langages de programmation tels que Python pour l'analyse de données et la simulation.
• Excellentes compétences en communication écrite et verbale, avec la capacité de travailler efficacement dans un environnement de recherche collaboratif.

Contexte de travail

Le projet postdoctoral fait partie du projet ERC QDYNNET – Quantum Dynamical Neural Networks. Le candidat retenu rejoindra l'équipe de calcul neuromorphique au Laboratoire Albert Fert, CNRS, Thales, Université Paris/Saclay. Il/elle collaborera étroitement avec deux doctorants recrutés pour le projet.