Missions

Dans ce projet, l'objectif du candidat est de développer un ensemble d'outils pour aider les scientifiques à gérer de grands ensembles de données et à automatiser le traitement des données à l'aide d'approches d'apprentissage automatique supervisé et d'apprentissage en profondeur. Nous allons construire des outils spécifiques pour chaque technique de caractérisation.

Activités

Outil 1 - Nettoyage, enregistrement et segmentation des données : cet outil se concentre sur le traitement des données brutes d'image, de spectre et de diffractogramme pour atténuer les artefacts expérimentaux tels que le bruit, les artefacts de flou, les anneaux et les variations d'intensité, qui peuvent avoir un impact sur les étapes suivantes. S'appuyant sur nos travaux récents [5] sur l'évaluation non supervisée de la qualité des images, cet outil contribuera à réduire ces défauts. De plus, un enregistrement approprié, assurant un alignement précis des images dans la série chronologique, sera effectué. La segmentation multiphase sera effectuée à l'aide de notre logiciel interne, SegmentPy (https://segmentpy.readthedocs.io), qui utilise une approche basée sur CNN.
Outil 2 - Processus de corrélation multimodale : Pour obtenir une prédiction et une interprétation précises de la microstructure hiérarchique complexe, il est crucial d'établir des corrélations entre les propriétés multiphases. Notre stratégie repose sur un réseau d'apprentissage de similarité basé sur CNN couplé à la transformée de cisaillement non sous-échantillonnée (NSST) pour décomposer les images, les spectres et les diffractogrammes en composants basse et haute fréquence. Des stratégies de fusion pour l'imagerie seront également utilisées pour améliorer l'interprétabilité de l'ensemble de données.
Outil 3 - Processus de corrélation dynamique : cette étape consiste à concevoir une stratégie basée sur les données pour l'ensemble de données de séries chronologiques préparé à l'aide d'un réseau RNN (Recurrent Neural Network) comprenant des unités LSTM (Long Short-Term Memory) ou GRU (Gated Recurrent Unit). Nous optimiserons la structure et les hyperparamètres du réseau RNN, en suivant des stratégies séparées et mixtes pour chaque sous-échelle. Nous pourrons explorer des images de fusion multimodales, et nous nous concentrerons sur l'identification de métriques de vérité terrain pertinentes et sur le développement de fonctions de perte appropriées pour capturer efficacement la dynamique observée. Des stratégies de réseau alternatives, telles que convolutional-RNN et Prod-RNN, seront explorées pour intégrer les aspects spatio-temporels en combinant les avantages des architectures CNN et RNN.

Compétences

Data Science, Algorithme AI, codePython, AI DeepLearning, data management, DashPlotly, caractérisations multimodales avancées

Contexte de travail

Laboratoire LRCS et projet PEPR batterie projet OpenStorm

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.