Job offer

European Commission; France; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une opportunity passionnante pour un doctorat en informatique à Grenoble est annoncée. Le candidat retenu travaillera sur des projets visant à optimiser la performance des processeurs tout en respectant des contraintes strictes. Ce poste implique l'utilisation de techniques avancées en apprentissage automatique, avec une approche innovante et collaborative au sein de l'équipe Polaris.

Qualifications

• Profil de chercheur de premier stade (R1).
• Capacité à travailler sur des projets de recherche à temps plein.
• Connaissance des techniques d'optimisation des processeurs.

Responsabilités

• Optimiser la vitesse des processeurs pour minimiser la consommation d'énergie.
• Travailler sur des processus décisionnels et la dérivation fonctionnelle.
• Appliquer l'apprentissage par renforcement aux projets de recherche.

Connaissances

Processus décisionnels de Markov

Bandits de Markov

Apprentissage par renforcement

Techniques de gradient stochastique

Formation

Doctorat en informatique ou domaine connexe

Description du poste

Organisation/Company: CNRS

Department: Laboratoire d'Informatique de Grenoble

Research Field: Physics

Researcher Profile: First Stage Researcher (R1)

Country: France

Application Deadline: 26 Jun 2025 - 23:59 (UTC)

Type of Contract: Temporary

Job Status: Full-time

Hours Per Week: 35

Offer Starting Date: 1 Oct 2025

Funding: Not funded by a EU programme

Research Infrastructure Staff Position: No

Offer Description

This PhD thesis position is based in the LIG lab (Grenoble Computer Science Laboratory), within the Polaris team.

The research focuses on optimizing processor speed to minimize energy consumption while meeting real-time constraints with strict deadlines. Techniques vary depending on the context, including:

• Markov decision processes and Markov bandits for discrete cases
• Pontryagin principle and functional derivatives for continuous cases

The learning components involve reinforcement learning and stochastic gradient techniques.