Postdoc: Modélisation Différentiable et Inférence Cosmologique

Icmn; Paris; On-site; EUR 35,000 - 48,000; Full time

Benefits offered by this job

Couverture santé complète

Congés RTT annuels

Repas subventionnés

Réductions de transport et cours de fr

Job summary

CNRS via l’APC à Paris lance un poste postdoctoral pour développer des méthodes d’inférence cosmologique différentiables dans le cadre du projet AstroDeep, en collaboration avec CosmoStat et le CNRS. Le poste implique l’analyse de LSST Y1 et DES, et la publication des résultats.

Le candidat idéal possède un doctorat en astrophysique ou domaine connexe, maîtrise Python et les frameworks de différentiation, et une expérience en cosmologie statistique et environnement international.

Qualifications

• Docteur ou en soutenance imminente en astrophysique, cosmologie, physique, statistique ou domaine proche.
• Bonne maîtrise d'au moins un des champs: simulations cosmologiques, grandes structures, cisaillement gravitationnel faible, modélisation différentiable, inférence bayésienne.
• Expérience avec des frameworks de différentiation automatique et outils de calcul haute performance.
• Compétences en programmation Python et collaboration via Git.

Responsibilities

• Développer et valider des modèles cosmologiques différentiables pour l’évolution des grandes structures.
• Construire des méthodes d’inférence et étudier biais et incertitudes.
• Appliquer les pipelines et intégrer les outils à DES et LSST DESC.
• Publier et diffuser le code en open source.

Skills

Doctorat en astrophysique

Python et développement collaboratif

Anglais scientifique

Différentiation automatique (JAX / PyT

Education

Doctorat en astrophysique ou domaine proche

Tools

PyTorch

JAX

Git / GitHub

CI/CD

Job description

CNRS via l’APC à Paris lance un poste postdoctoral pour développer des méthodes d’inférence cosmologique différentiables dans le cadre du projet AstroDeep, en collaboration avec CosmoStat et le CNRS. Le poste implique l’analyse de LSST Y1 et DES, et la publication des résultats.

Le candidat idéal possède un doctorat en astrophysique ou domaine connexe, maîtrise Python et les frameworks de différentiation, et une expérience en cosmologie statistique et environnement international.