Missions

L'équipe Nanobio développe de nouvelles modalités de microscopie de fluorescence permettant de repousser les limites de ces observations aussi bien en termes de vitesse d'acquisition que de profondeur d'observation pour des applications allant de la biologie à l'étude de nanomatériaux. Ces développements sont au croisement de différentes disciplines et mettent en jeu des compétences allant de l'optique, l'électronique, le traitement des images/data, la chimie et la biologie. A l’aide de plusieurs financements européens, l’équipe construit un groupe data-science et machine learning pour assurer une innovation dans les différentes disciplines liées à la microscopie. Le poste s’adresse donc en particulier à des candidats souhaitant travailler au cœur de cette interdisciplinarité avec une formation dans l'un de ces items majeurs, et souhaitant découvrir les items connexes.

Activités

La personne contribuera à différents aspects, notamment en fonction de sa formation initiale, elle s'impliquera de façon plus importante dans l'une des activités. Durant le projet, les activités seront :
- vérifier les performances théoriques du système en le modélisant
- développer un modèle d’apprentissage auto-supervisé et de l’entraîner
- tester les performances du modèle en simulations et données réelles
- passer d’un modèle spécifique au développement d’un modèle de fondation
- comparer aux techniques dans l’état de l’art
- rédiger des rapports d'avancement et/ou des articles scientifiques
- participer à des conférences nationales et internationales

Compétences

Des compétences techniques sont attendues dans le domaine du machine learning ou des mathématiques appliquées ou du traitement d'images, associées à des connaissances avancées dans la programmation en python.
La personne recrutée aura idéalement une expérience précédente en machine learning et en particulier en apprentissage auto-supervisé (self-supervised). Cette personne aura des connaissances ou une expérience avec les problématiques de données non étiquetées (unlabeled data), de tâches prétexte ou encore de pré-entraînement, transfert et adaptation (transfer learning and fine-tuning). Au-delà des compétences techniques, il est attendu que la personne recrutée s’intéresse aux implications scientifiques du machine learning.
La personne recrutée devra pouvoir partager régulièrement sur son travail et montrer un intérêt pour le travail en équipe et l'interdisciplinarité.

Contexte de travail

Ce travail se fera au sein de l'ISMO (Unité Mixte CNRS / Université Paris-Saclay) dans le cadre d'un projet européen ERC TimeNanoLive au sein de l'équipe interdisciplinaire Nanobio. Le laboratoire dispose d'une salle de culture sur site et de différents microscopes pour la localisation de molécule unique. La durée du contrat pourra être prolongée.

Contraintes et risques

- faisceau laser
- culture cellulaire