En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Doctorat en neurosciences computationnelles (H/F)

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

Date Limite Candidature : mardi 27 mai 2025 23:59:00 heure de Paris

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

Informations générales

Intitulé de l'offre : Doctorat en neurosciences computationnelles (H/F)
Référence : UMR5549-TIMMAS-006
Nombre de Postes : 1
Lieu de travail : TOULOUSE
Date de publication : mardi 6 mai 2025
Type de contrat : CDD Doctorant
Durée du contrat : 36 mois
Date de début de la thèse : 1 septembre 2025
Quotité de travail : Complet
Rémunération : La rémunération est d'un minimum de 2200,00 € mensuel
Section(s) CN : 07 - Sciences de l'information : traitements, systèmes intégrés matériel-logiciel, robots, commandes, images, contenus, interactions, signaux et langues

Description du sujet de thèse

Modélisation du traitement des scènes dynamiques au sein du cortex visuel à partir de réseaux de neurones impulsionnels.

Le but de ce projet de thèse est de modéliser le traitement des scènes dynamique au sein du cortex visuel chez le vivant (par exemple chez le primate humain ou non humain) et notamment le long de la voie dorsale. Cette modélisation sera réalisée à partir de réseaux de neurones évènementiels qui traiteront des vidéos (ou bien des données collectées par des caméras évènementielles). Ces réseaux de neurones auront notamment la particularité d’utiliser des délais synaptiques apprenables (voir : Hammouamri et al., 2023).

Le/la candidat(e) sélectionné(e) doit être désireux(se) de travailler sur un projet interdisciplinaire combinant neurosciences computationnelles, neurobiologie et informatique. Il/elle devra également avoir une solide formation en programmation et en intelligence artificielle, de solides connaissances théoriques sur le système nerveux et un bon niveau en d’anglais.

Références :
Hammouamri, I., Khalfaoui-Hassani, I., & Masquelier, T. (2023). Learning delays in spiking neural networks using dilated convolutions with learnable spacings. arXiv preprint arXiv:2306.17670.

Contexte de travail

Le travail de thèse sera réalisé au laboratoire Cerco (CNRS, UMR 5549) et co-supervisé par Benoit Cottereau et Timothée Masquelier. Il sera effectué en collaboration avec le laboratoire IPAL (IRL 2955 à Singapour) et l’Université Nationale de Singapour (NUS). Le/la doctorant(e) sera amené(e) à collaborer avec des chercheurs, ingénieurs et étudiants au sein de ces trois entités. Il/elle sera inscrit(e) à l'école doctorale MITT (Mathématiques, Informatique et Télécommunications de Toulouse, voir : https://adum.fr/as/ed/edmitt/page.pl?page=contact ).

Contraintes et risques

RAS