Université de Montpellier

Nous recherchons des candidat(e)s pour une thèse en mathématiques appliquées dans l’école doctorale I2S de l’Université de Montpellier, sur le sujet”Inférence et dynamique qualitative des réseaux de gènes en grande dimension”.

Le projet est financé par l’appel Emergence de la  Région Occitanie et consisteen deux thèses, une en mathématiques dans école doctorale I2S, et une autre en biologie dans l’école doctorale CBS2, co-encadréespar moi-même et par mon collègue Edouard Bertrand de l’Institut de Génétique Humaine de Montpellier. 

Pour la thèse en mathématique nous recherchons un(e) candidat(e) ayant une formation en systèmes dynamiques. La thèse abordera le comportement asymptotique, à temps long, de modèles de réseaux de gènes. Ces systèmes dynamiques se caractérisent par leur dimension grande de l’espace de phase, résultant de la multitude de variables impliquées, ainsi que par le grand nombre de paramètres requis.  Le problème de la dynamique qualitative peut être simplifié dans ce cas en exploitant des propriétés spécifiques de ces modèles, telles que la saturation et l’existence d’échelles de temps bien séparées.

Les résultats mathématiques seront appliqués aux données obtenus avec des techniques expérimentales novatrices permettant la visualisation en temps réel et en cellule unique de la transcription d’une dizaine de gènes dans les cellules vivantes. Ce projet ambitieux entraînera des avancées importantes dans divers domaines, tels que la dynamique de la régulation génique, la prise de décision cellulaire et la médecine de précision/personnalisée.

Les candidat(e)s intéressé(e)s doivent nous contacter au plus vite, avant la fin du mois, pour des auditions prévues le 7 juillet. 

Contact : Ovidiu Radulescu” ovidiu.radulescu@umontpellier.fr

Sorbonne Université

PhD position in Engineering and Computer Science, Sorbonne Université, Paris, Fr 

Foundation Models for Physics-Aware Deep Learning

Contact : Patrick Gallinari, patrick.gallinari@sorbonne-universite.fr

Location: Sorbonne Université, Pierre et Marie Curie Campus, 4 Place Jussieu, Paris, Fr. Machine Learning and Information Access team.

Candidate profile: Master degree in computer science or applied mathematics, Engineering school.  Background and experience in machine learning. Good technical skills in programming.

How to apply: please send a cv, motivation letter, grades obtained in master, recommendation letters when possible to patrick.gallinari@sorbonne-universite.fr

Start date: October/November 2024 for three years

Note: The research topic is open and depending on the candidate profile could be oriented more on the theory or on the application side

Keywords: deep learning, physics-aware deep learning, fluid dynamics, AI4Science

Full description: https://pages.isir.upmc.fr/gallinari/open-positions/

Abstract: Physics-aware deep learning aims at investigating the potential of AI methods to advance scientific research for the modeling of complex natural phenomena. This is a fast-growing research topic with the potential to boost scientific progress and to change the way we develop research in a whole range of scientific domains. An area where this idea raises high hopes is the modeling of complex dynamics characterizing natural phenomena occurring in domains as diverse as climate science, earth science, biology, fluid dynamics. Despite significant advances, this remains an emerging topic that raises several open problems in machine learning and application domains. Among all the exploratory research directions, the idea of developing foundation models for learning from multiple physics is emerging as one of the fundamental challenges in this field. This PhD proposal is aimed at exploring different aspects of this new challenging topic. Two main challenges will be investigated: learning from multiple physics and generalization with few shot learning.

Diffusion SCAI


Thèse : PHysics-based Learning for robUst fluid SIMulation
Télécharger l’offre
Date limite de candidature : 31/05/2024

Thèse : Synthetic reacting flow generation from a non-dimensional elementary data-driven model
Télécharger l’offre
Date limite de candidature : juillet 2024

Thèse à Saclay : IRSN – Méthodes avancées de traitement d’images de contamination de surface en particules
 
Poste permanent à Fontenay-aux-Roses : IRSN – Ingénieur données (Data Scientist)
 
Poste permanent à Cadarache : IRSN – Data scientist pour la simulation de l’incendie et des explosions