En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)
Portail > Offres > Offre UMR9012-CHRROB-005 - H/F / Post-doc sur l'Utilisation d'une machine-learning quantique: application à la physique nucléaire et la physique des particules expérimentale et théorique

H/F / Post-doc sur l'Utilisation d'une machine-learning quantique: application à la physique nucléaire et la physique des particules expérimentale et théorique

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

Date Limite Candidature : vendredi 1 octobre 2021

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 !

Faites connaître cette offre !

Informations générales

Référence : UMR9012-CHRROB-005
Lieu de travail : ORSAY
Date de publication : vendredi 10 septembre 2021
Type de contrat : CDD Scientifique
Durée du contrat : 24 mois
Date d'embauche prévue : 1 novembre 2021
Quotité de travail : Temps complet
Rémunération : Le montant de la rémunération d'un postdoctorant est fixe et dépend de sa date d'embauche
Niveau d'études souhaité : Supérieur à bac+5
Expérience souhaitée : Indifférent

Missions

Avec l'arrivée des premiers prototypes d'ordinateurs quantiques, notamment sous l'impulsion des géants comme IBM, Microsoft, Google, Amazon, le domaine du Quantum Computing (QC) connait actuellement un essor sans précédent. La programmation sur ces prototypes reste un challenge, en particulier en ce qui concerne la mise en place d'algorithmes adaptés et la maitrise du bruit inhérent à ces ordinateurs. Malgré tout, dans les années à venir, ces ordinateurs et les algorithmes associés pourraient donner accès à des puissances de calculs sans équivalent en termes de rapidité d'exécution et de stockage. En particulier, la technologie quantique pourrait être extrêmement performante pour résoudre des problèmes combinatoires complexes tels que ceux qui apparaissent en physique nucléaire, en physique des particules et en astrophysique. Un des domaines qui évolue très rapidement, avec un nombre grandissant d'applications, est le domaine de l'apprentissage quantique (Quantum Machine - Learning -QML). Le but principal du projet est l'exploration des applications possibles des machines quantiques, et plus spécifiquement du QML dans les différents domaines de recherche des laboratoires IJCLab et LLR. Les deux laboratoires appartiennent à la division IN2P3 du CNRS et font partie du Labex P2IO. De manière plus spécifique, un des buts sera de donner des preuves de principe d'application allant du problème à N-corps nucléaire à la discrimination d'évènements dans les multi-détecteurs de physique des particules.

Activités

Nous proposons lors du post-doctorat, le plan de travail suivant
(i) Comme première étape, le candidat devra acquérir une vision exhaustive des différentes techniques utilisées dans le QML, par exemple les algorithmes HHL (Harrow, Hassidim, Lloyd), QAOA and QVE. Une attention particulière sera faite sur les méthodes dites hybrides qui sont populaires actuellement dans la période actuelle NISQ (Noisy Intermediate-Scale Quantum) des ordinateurs quantiques. En parallèle, le candidat travaillera sur les formulations QC de problèmes spécifiques de physique nucléaire et de physique des particules où le QML pourrait être appliqué et où les techniques de machine - learning sont utilisés déjà de nos jours. Pour en nommer quelques-uns, par exemple la classification d'états à N-corps quantiques, l'exploration de surfaces d'énergie potentiel complexes ou la reconnaissance d'évènement dans des détecteurs à forte granularité.
(ii) Dans un second temps, une fois que les problèmes seront formulés sur des ordinateurs quantiques, le second challenge consistera à faire des applications soit sur des émulateurs de QC, soit sur des vraies plateformes quantiques. L'utilisation d'émulateur, sera une étape cruciale à la validation de la stratégie globale que nous utiliserons. Les applications sur les vraies plateformes quantiques rajouteront de nouveaux aspects liés à l'utilisation d'ordinateur NISQ. Nous anticipons, que la spécificité des problèmes rencontrés en physique nucléaire et physique des particules, pourrait conduire à des approches novatrices sur les QC. Il est à noter, qu'une grande partie du travail sera aussi dédiée à l'utilisation des techniques QML existantes et le développement, si besoin, de nouvelles techniques adaptées aux problèmes considérés.
(iii) En parallèle des taches (i) and (ii), le candidat fera des applications de ces algorithmes d'intérêts pour nos recherches. La première application portera probablement sur la reconnaissance d'évènements, très similaire au problème de la reconnaissance d'image. Problème pour lequel le machine-learning est déjà largement utilisé avec succès. Dans ce contexte, le développement d'algorithme se fera en forte collaboration avec le LLR et sera tester sur le détecteur CMS (Compact Muon Solenoid). Il est également anticipé que les nouveaux outils développés durant ce travail auront des champs d'application très large qui incluent les applications sur le problème à N-corps.
Le postdoc travaillera à plein temps sur le projet.

Compétences

Le candidat devra avoir les compétences dans un ou plusieurs de ces domaines :

-Connaissance approfondie en mécanique quantique
-ordinateurs quantiques et algorithmes quantiques
-machine learning et/ou quantum machine learning
-programmation et méthodes numériques
-physique théorique et problème à N-corps

Contexte de travail

Le candidat travaillera dans l'équipe Phynet (Physique Nucléaire Théorique) qui appartient à la division de physique nucléaire de l'IJCLab. Le candidat sera co-encadré par le laboratoire LLR (Andrea Sartirana),et sera intégré au groupe IT de LLR. Il travaillera également en collaboration étroite avec le groupe expérimentale de CMS. Les deux laboratoires font partie de l'IN2P3. IJCLab fait partie de l'Université Paris-Saclay et le LLR appartient à l'“Institut Polytechnique de Paris”. L'équipe Phynet contient 13 membres (y compris les étudiants en thèse et postdoc) et le groupe LLR IT contient 10 membres.

Contraintes et risques

Il n'y a pas de risques spécifiques ou contraintes.

On en parle sur Twitter !