Post-doct : Apprentissage automatique pour la modélisation prédictive du comportement de fragmentation

BRGM; Orléans; On-site; EUR 36,000 - 48,000; Full time

Job summary

BRGM, unité DCGS/GDS du centre technique d'Orléans, recrute un post-doctorant pour développer des méthodes d’apprentissage automatique avancées appliquées à la fragmentation minérale et à la modélisation multi-échelle.

Le candidat mènera des recherches sur des jeux de données hétérogènes, intégrera des approches probabilistes et quantification des incertitudes, et contribuera aux livrables du projet et à des publications internationales.

Qualifications

• Docteur en apprentissage automatique ou discipline proche, avec orientation scientifique et industrielle.

Responsibilities

• Piloter des activités de recherche sur la fragmentation et les signatures de fragmentabilité.
• Publier dans des revues à fort impact et contribuer aux livrables du projet.
• Présenter les résultats lors de conférences internationales.
• Collaborer avec une équipe pluridisciplinaire en data science, mathématiques appliquées et science des matériaux.

Skills

Apprentissage profond

Apprentissage multimodal

Quantification des incertitudes

Modélisation probabiliste

Python programmation

Recherche reproductible

Communication scientifique

Travail d'équipe interdisciplinaire

Vision par ordinateur

Données géométriques et nuages de pts

Génie des procédés

Analyse d'images

Connaissance minéraux (atout)

Education

Doctorat

Tools

PyTorch

TensorFlow

Job description

L'objectif est d'apprendre une représentation compacte et transférable du comportement de rupture des particules, que nous appelons la « signature de fragmentabilité », et de l'utiliser pour prédire, à l'échelle de la particule, la probabilité de rupture, les distributions de taille des fragments et la sensibilité au régime de chargement, et à l'échelle du procédé, la consommation énergétique et la distribution granulométrique du produit des équipements de fragmentation, permettant une comparaison hiérarchisée des options de machines pour un minerai et une granulométrie cible donnés.

En tant que chercheur post-doctorant au sein d'InnovTech ST3.1.1, vous contribuerez au développement de méthodes d'apprentissage automatique de nouvelle génération pour des données scientifiques et industrielles.
Le projet vise à comprendre et prédire le comportement de fragmentation des particules minérales à partir d'observations expérimentales hétérogènes.
Les principales directions de recherche incluent :

• Apprentissage multimodal et fusion de données : développer des approches d'apprentissage automatique capables d'intégrer des sources de données scientifiques et industrielles hétérogènes, incluant l'imagerie, la caractérisation des matériaux, les mesures mécaniques et les expériences de fragmentation.
• Apprentissage de représentations pour les systèmes matériels complexes : concevoir des représentations compactes, interprétables et transférables caractérisant les propriétés des particules et le comportement de fragmentation.
• Apprentissage automatique probabiliste et quantification des incertitudes : développer des modèles prédisant des distributions et des estimations de confiance plutôt que des sorties déterministes uniques.
• Modélisation prédictive multi-échelle : développer des modèles capables de relier des observations collectées à différentes échelles spatiales et temporelles, de la caractérisation des matériaux et des particules au comportement de fragmentation et aux performances à l'échelle du procédé.
• Apprentissage automatique économe en données : explorer des méthodologies adaptées aux jeux de données limités, hétérogènes et partiellement observés, incluant l'apprentissage par transfert, l'apprentissage autosupervisé, la modélisation par substitut, l'apprentissage actif et les approches de décision tenant compte des incertitudes.

Date de début souhaitée : 01/01/2027
Type de contrat : Post-Doctorant
Durée : 18 mois
Formation : Doctorat

Vous êtes titulaire d'un doctorat en apprentissage automatique, intelligence artificielle, science des données, mathématiques appliquées, statistiques computationnelles, vision par ordinateur, calcul scientifique ou une discipline proche.
Vous êtes intéressé par l'application de méthodes d'apprentissage automatique avancées à des problèmes scientifiques concrets exigeants.
Idéalement, vous devriez posséder :

• Une solide expertise en apprentissage automatique et apprentissage profond.
• Une expérience en apprentissage multimodal, quantification des incertitudes, modélisation probabiliste ou approches similaires.
• Des connaissances en apprentissage automatique scientifique, apprentissage informé par la physique, modélisation hybride.
• Une expérience en analyse d'images, vision par ordinateur, données géométriques, nuages de points, graphes ou autres représentations de données structurées.
• De solides compétences en programmation Python et dans des frameworks modernes d'apprentissage automatique tels que PyTorch, TensorFlow.
• Une expérience en recherche reproductible, évaluation de modèles, benchmarking et développement de logiciels scientifiques.
• De fortes compétences en communication et en collaboration dans des environnements de recherche multidisciplinaires.
• Une expérience en traitement des minéraux constituerait un atout.

Ce poste est à pourvoir au sein de l'unité DCGS/GDS du BRGM, sur le centre technique d'Orléans (45). Vous travaillerez en étroite collaboration avec une équipe pluridisciplinaire de chercheurs en science des données, mathématiques appliquées, génie des procédés et science des matériaux. Le poste implique de piloter des activités de recherche, de publier dans des revues à fort impact, de contribuer aux livrables du projet et de présenter les résultats lors de conférences internationales.