En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR7315-ALEBOU-003 - Chercheur (H/F) en science des matériaux et machine learning

Chercheur (H/F) en science des matériaux et machine learning

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

Date Limite Candidature : vendredi 3 février 2023

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Informations générales

Référence : UMR7315-ALEBOU-003
Nombre de Postes : 1
Lieu de travail : LIMOGES
Date de publication : vendredi 13 janvier 2023
Type de contrat : CDD Scientifique
Durée du contrat : 13 mois
Date d'embauche prévue : 1 avril 2023
Quotité de travail : Temps complet
Rémunération : 2805,35 € brut mensuel
Niveau d'études souhaité : Doctorat
Expérience souhaitée : Indifférent

Missions

Analyse par apprentissage profond de données de diffraction de rayons X : application à l'extraction de profils de déformation dans les matériaux irradiés

Activités

Au cours des dernières années, l'intelligence artificielle, et plus particulièrement les réseaux de neurones profonds, se sont fortement développés, et les sciences ne font pas exception. Ce projet traite de l'inversion de données de diffraction des rayons X (DRX) en vue de déterminer des caractéristiques nanostructurales (dans l'espace réel), à partir de données de l'espace réciproque (c'est-à-dire obtenues par DRX). Il est bien connu que cette tâche est entravée par le « problème de phase », qui décrit le fait que la phase des rayons X diffractés est perdue dans l'expérience de diffraction, de sorte que les informations de l'espace réel ne peuvent pas être obtenues par une simple inversion des données. Ce problème est généralement contourné en simulant les données expérimentales avec un modèle physique.

Si ce type d'approche s'avère très efficace, le principal inconvénient est le temps nécessaire pour mener la simulation à bien, qui peut être de quelques minutes, voire de plusieurs heures selon la complexité du problème. De plus, la simulation doit être réalisée par un expert afin d'éviter l'émergence de solutions absurdes. Ces caractéristiques sont devenues incompatibles avec les grandes quantités de données qui sont aujourd'hui facilement acquises avec les diffractomètres de laboratoire et, de manière bien plus critique, avec les installations synchrotron.

Dans le présent projet, nous nous concentrerons sur la détermination des profils de déformation dans les matériaux irradiés. Cette problématique est critique dans plusieurs domaines, allant de l'implantation des semi-conducteurs, aux matériaux nucléaires, en passant par les applications spatiales. Récemment, une preuve de concept a été publiée [https://iopscience.iop.org/article/10.1088/2632-2153/acab4c] qui démontre la faisabilité de l'approche. Le travail consistera à (i) générer une base de données numérique de DRX représentatives de données réelles, (ii) concevoir un réseau de neurones convolutifs (CNN) et (iii) entraîner et optimiser le CNN en utilisant les données précédemment générées. Les performances du CNN seront évaluées grâce aux données expérimentales que nous avons recueillies au cours des 10 à 15 dernières années.

Les codes informatiques seront développés à l'aide du langage de programmation Python, en utilisant les bibliothèques NumPy et SciPy pour le calcul scientifique, et la bibliothèque TensorFlow, avec la surcouche Keras, pour la mise en œuvre des réseaux de neurones. Les développements seront conduits sur des stations de calculs dédiées de l'IRCER.

Compétences

Le candidat doit être titulaire d'un doctorat en physique ou en sciences des matériaux et être familier avec la diffraction des rayons X ou la cristallographie, ainsi qu'avec la programmation Python. Des connaissances en apprentissage automatique/apprentissage profond seraient appréciées mais ne sont pas obligatoires.

Expérience (post thèse) moins de 2 ans

Contexte de travail

Lieu: CNRS laboratoire IRCER, UMR 7315, Limoges.

Informations complémentaires

Expérience souhaitée de moins de deux ans.

On en parle sur Twitter !