Offre en lien avec l’Action/le Réseau : BigData4Astro/– — –

Laboratoire/Entreprise : LAPP
Durée : 36 mois
Contact : flavien.vernier@univ-smb.fr
Date limite de publication : 2022-05-23

Contexte :
Le LAPP est un laboratoire de l’Institut de Physique Nucléaire et de Physique des Particules (IN2P3), institut du Centre National de la Recherche Scientifique (CNRS) qui coordonne les programmes dans ces domaines. Le LAPP est une unité mixte de recherche (UMR 5814) du CNRS et de l’Université Savoie Mont-Blanc (USMB). Plus de 150 chercheurs, enseignants-chercheurs, ingénieurs, techniciens, administratifs, étudiants et visiteurs étrangers y travaillent. Les recherches menées au LAPP ont pour but l’étude de la physique des particules élémentaires et de leurs interactions fondamentales, ainsi qu’à explorer leurs liens avec les grandes structures de l’Univers. Le LAPP est impliqué dans les expériences du LHC (ATLAS, LHCb), celles des neutrinos (SuperNémo, STEREO, LBNO, ..), d’astrophysique (HESS, CTA) ou des ondes gravitationnelles (Virgo). La localisation du laboratoire à 50 kms du CERN, et la présence d’un laboratoire de physique théorique dans les mêmes locaux, en font un laboratoire très attractif pour tous les scientifiques de ce domaine de recherche. Le LAPP héberge également un mésocentre de calcul et de stockage de taille intermédiaire mais qui contribue de manière significative aux traitement de données des grandes expériences de physique telles ATLAS, LHCb ou CTA.

Sujet :
L’expérience Cherenkov Telescope Array (CTA) deviendra, dans un futur proche, le plus grand observatoire d’astronomie gamma au monde.
À ce jour, un premier prototype de télescope de grande taille (Large Size Telescope, LST-1) est opérationnel sur le site de La Palma.
Un effort du LAPP, dans le cadre du système de contrôle et d’acquisition des données de CTA (Array Control And Data Acquisition system}, ACADA), a permis de développer et de fournir une analyse en temps réel, basée sur des algorithmes de reconstruction simples et robustes.
Celle-ci est en phase de déploiement sur le site de La Palma et traite les données du prototype LST-1 en utilisant seulement quelques cœurs de calcul.
Cet algorithme traitera, à terme, les données de $13$ à $19$ télescopes à La Palma, soit environ 17 Go/s et environ 27 Go/s sur le site du Chili.

Une des missions de l’analyse en temps réel de CTA consistera à envoyer des alertes aux autres observatoires d’astronomie multi-messagers.
Cette analyse devra composer avec les repointages très rapides des LST.
Elle devra également évaluer le plus vite possible si une alerte reçue d’un de ces observatoires doit être suivie et devra permettre d’ajuster le pointé des télescopes à la volée pour obtenir une détection de meilleure qualité.
Ces alertes concerneront principalement l’étude de phénomènes transitoires tels que les AGN variables ou les sursauts gamma (Gamma Ray Burst),
Phénomènes qui nécessitent une meilleure sensibilité à basse énergie ce qui permet une détection plus rapide.
Une méthode de reconstruction, basée sur la comparaison d’images, provenant des télescopes, à des modèles préalablement calculés, permet d’obtenir une bien meilleure sensibilité à basse énergie.
Malheureusement, les implémentations actuelles sont extrêmement lentes et ne permettent donc pas un traitement en temps réel des données acquises.
Activités
Nous proposons donc une thèse d’informatique dont le but est d’optimiser cette méthode de reconstruction afin de permettre son utilisation en tant qu’analyse en temps réel.
Dans un premier temps, l’étudiant en thèse optimisera l’algorithme classique à l’aide des méthodes du calcul haute performance et pourra tester son efficacité en profitant de la présence de LST-1 et de la construction future de LST-2, 3, 4 et également des futurs télescopes de moyenne taille (Medium Size Telescope, MST). Cette méthode sera aussi testée à l’aide de simulations.
Ensuite, des méthodes de comparaison plus efficaces, basées sur des algorithmes de calcul haute performance (tables de hashage, page rank, etc), seront développées et évaluées afin de permettre une analyse en temps réel sur le site complet. L’utilisation de GPU peut également être envisagée.

Profil du candidat :
Le candidat devra être scientifiquement curieux, motivé par la découverte et le travaille sur des projets d’envergures. Il devra avoir des bases solides en mathématique et informatique, ainsi qu’une volonté de les approfondir.

Postuler en ligne
https://emploi.cnrs.fr/Offres/Doctorant/UMR5814-CORFEU-003/Default.aspx

Formation et compétences requises :
Formation
Bac+5 en informatique

Compétences / qualifications demandées
Compétences générales :
• travail en équipe
• présentation de travaux dans des conférences internationales
Connaissance mathématiques :
• méthode de Krylov / méthode QR / page rank
• algorithme de Levenberg-Marquardt
Connaissances des architectures matériels :
• CPU (vectorisation, niveau de cache)
• GPU (architecture et modèles de programmation)
Langages de programmation :
• C++ (C++17)
• CUDA
• une connaissance de python 3 est un plus
Compilation/gestion de programmes :
• cmake 3
• make
• g++-9 ou plus récent
• git / gitlab
• une connaissance des dernières fonctionnalités de nvc++ est un plus

Adresse d’emploi :
LAPP
9 Chem. de Bellevue,
Annecy-le-Vieux,
74940 Annecy

Offre en lien avec l’Action/le Réseau : – — –/Doctorants

Laboratoire/Entreprise : CNRS@CREATE Singapore
Durée : 48 mois
Contact : farah.benamara@irit.fr
Date limite de publication : 2022-05-30

Contexte :
Program DesCartes is a large French-Singapore program led by CNRS@CREATE, the first international subsidiary of CNRS.

We are recruiting 14 students (having a Bachelor/Master or currently in M1 or M2) to pursue a PhD, mostly in Singapore in top 15 university worldwide and some in France, all co-advised by French and Singaporean researchers, particularly around the fields of IA.

A (non-exhaustive) list of PhD topics can be found at:

DESCARTES PhD

We have schemes for very competitive salaries for PhDs in Singapore (~3.000 euros/month ++)

Students interested need to contact ASAP:
descartes-hiring@cnrsatcreate.sg

More information can be found at https://www.cnrsatcreate.cnrs.fr/descartes/

Sujet :
Hate Speech (HS) and harassment are particularly widespread in online communication, especially due to users’ freedom and anonymity and the lack of regulation provided by social media platforms. This phenomenon has determined a growing interest in using artificial intelligence and Natural Language Processing techniques to address social and ethical issues. An extensive body of work has been proposed to automatically detect HS relying on a variety of deep learning methods (Founta and Nunes, 2018; Schmidt and Wiegand, 2017). Most research focus on HS as expressed in texts without taking into account the contexts in which they have been uttered. This PhD aims to bridge the gap by investigating for the first time how HS are expressed and detected in multi-party dialogues. We will propose new context-based deep learning methods that leverage the conversation thread to account for hateful contents and how they evolve as the dialogue proceeds.

This project is part of the DesCartes program, https://www.cnrsatcreate.cnrs.fr/descartes/, that aims to develop disruptive hybrid AI to serve the smart city and to enable optimized decision-making in complex situations, encountered for critical urban systems.

References

Paula Fortuna, Sérgio Nunes:A Survey on Automatic Detection of Hate Speech in Text. ACM Comput. Surv. 51(4): 85:1-85:30 (2018)

Anna Schmidt, Michael Wiegand: A Survey on Hate Speech Detection using Natural Language Processing. SocialNLP@EACL 2017: 1-10

**Supervision**

Jian Su (Institute for Infocomm Research (A*STAR, https://colips.org/~sujian/ )), Shafiq Joty (Nanyang Technological University (NTU), https://raihanjoty.github.io/ ) and Farah Benamara (Toulouse University, https://www.irit.fr/~Farah.Benamara/ )

**Duration**

4 years

**Location**

CNRS@CREATE Singapore (https://www.cnrsatcreate.cnrs.fr/about-us/)

Profil du candidat :
–>Master degree in Computer science with solid background in NLP and/or machine learning

Formation et compétences requises :
–> A good experience in deep learning approaches for NLP

–> Good programming skills in Python

Adresse d’emploi :
**How to apply**

Send your CV together with a list of publications to Jian Su (sujian@i2r.a-star.edu.sg), Shafiq Joty (srjoty@ntu.edu.sg) and Farah Benamara (farah.benamara@irit.fr) before May 27th 2022

Offre en lien avec l’Action/le Réseau : RoCED/– — –

Laboratoire/Entreprise : INRIA/LIRMM
Durée : 3 ans
Contact : david.carral@inria.fr
Date limite de publication : 2022-07-31

Contexte :
This PhD proposal is funded by the bilateral project R4Agri (https://www.dfki.de/en/web/news/ai-supported-decision-making-systems-for-agriculture-german-french-project-r4agri-launched). The goal of the projet is to carry fundamental research on hybrid IA techniques which will have later a potential for technological transfert, in particular in the context for automatized agronomy.

Sujet :
The topic of the PhD revolves around Datalog reasoning on Knowledge Graphs. Targeted issues include explanations and probabilistic reasoning.

Profil du candidat :
The ideal candidate for this position has a strong interest in symbolic AI, together with solid skills in theoretical computer science. A background on programming is also very much appreciated.

Topic description :
https://www-sop.inria.fr/members/David.Carral/files/r4agri-phd-topic.pdf

Formation et compétences requises :
Technical topics include (among others) first order logic, symbolic reasoning, and databases.

Adresse d’emploi :
Inria Montpellier
860 Rue de St – Priest
Montpellier

Document attaché : 202205190832_r4agri-phd-topic.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Laboratoire I3S / Entreprise Himydata
Durée : 36 mois
Contact : lionel.fillatre@i3s.unice.fr
Date limite de publication : 2022-06-30

Contexte :
L’industrie 4.0 s’appuie sur la récupération et l’analyse de données provenant de nombreux capteurs et machines. La détection automatique non-supervisée d’anomalies dans ces données, suivie d’un nettoyage adéquat, est essentiel pour garantir le développement de cette nouvelle industrie. Ce projet de thèse souhaite développer un réseau de neurones profond pour effectuer ces détections et le nettoyage associé. L’architecture de ce réseau doit permettre de comprendre pourquoi le réseau nettoie, et donc modifie, une donnée. De cette façon, ce nettoyage automatisé sera explicable pour les utilisateurs impliqués.

La thèse sera réalisée avec le laboratoire I3S rattaché à l’Université Côte d’Azur et au CNRS et l’entreprise Himydata.

Sujet :
Le passage d’une industrie dite 3.0 à une industrie 4.0 se fait par la récupération de données en masse concernant les machines à l’aide de capteurs (positionnés à chaque étape du processus de production) qui sont les éléments de base des systèmes de contrôle et d’acquisition de données en temps réel. Cette quatrième révolution industrielle se caractérise aussi par la connexion des objets (ou machines) entre eux. Le but est d’obtenir une nouvelle génération d’usines connectées, robotisées et intelligentes afin de pouvoir surveiller sa production et donc d’améliorer la qualité et le temps de création des produits ainsi que d’optimiser les procédés. Cela va permettre aussi de réduire les temps d’arrêt en étant averti au préalable de l’état des machines.

Le but de l’entreprise Himydata associée à cette thèse est de rendre toutes ces données accessibles, compréhensibles et analysables par le plus grand nombre. Ce sont des bases de données complexes avec des données provenant de sources hétérogènes, possédant de nombreux attributs. Les règles sur ces données sont inconnues ou, dans le meilleur cas, très peu connues. De plus, les données provenant du monde réel sont bruitées et souvent corrompues. Ces effets peuvent avoir un impact important sur la compréhension des données, leur modélisation et sur les prises de décisions qui en découlent [1,2]. Ainsi, l’étape cruciale dans l’utilisation des données est la détection et le nettoyage des erreurs dans les données. En effet, en identifiant et en nettoyant les données « sales », il est possible d’obtenir une plus grande compréhension des données, d’améliorer les modèles se servant de ces dernières ou encore de prendre de meilleures décisions.

Profil du candidat :
Le candidat devra être titulaire d’un M2 ou grade équivalent au moment du recrutement.
Il devra aimer l’intelligence artificielle et l’apprentissage automatique.

Formation et compétences requises :
Apprentissage automatique (machine learning), réseau de neurones, probabilités et statistiques, Python (ou langage équivalent), autonomie, curiosité, esprit de synthèse.

Adresse d’emploi :
Université Côte d’Azur
Laboratoire I3S
Euclide B, 2000 Rte des Lucioles
06900 Sophia Antipolis

Document attaché : 202205162026_Sujet_These_Cifre_I3S_Himyadata_2022.pdf

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LISTIC/ISTerre
Durée : 3 ans
Contact : yajing.yan@univ-smb.fr
Date limite de publication : 2022-06-03

Contexte :
Cette thèse est proposée dans le contexte de la disponibilité croissante et régulière de la quantité de données de télédétection et pour répondre au besoin de la prédiction opérationnelle des risques naturels. Elle a pour objectif majeur d’améliorer l’intégration des observations géodésiques satellitaires et des modèles mécaniques dynamiques de transport de magma, ce qui répond à un enjeu crucial actuellement en volcanologie.

Sujet :
Dans une perspective de gestion du risque volcanique, il est essentiel de pouvoir savoir, à l’avance, si du magma qui a commencé à se propager depuis un réservoir va atteindre la surface, à quel endroit et à quel moment. La phase de propagation est généralement rapide de quelques heures à quelques mois, mais elle induit de la sismicité et des signaux de déformation. Ces signaux sont enregistrés par les capteurs continus (GNSS) et les données Interférométrie SAR (InSAR) dont la fréquence temporelle et le délai d’utilisation se sont fortement améliorés ces dernières années. Nous disposons, par ailleurs, de modèles dynamiques de propagation d’intrusions magmatiques permettant de calculer, en fonction des paramètres physiques de la croûte terrestre, des propriétés du magma et de l’état de contrainte local, la trajectoire suivie par le magma et sa vitesse de propagation (Pinel et al. 2017). L’assimilation de données, une méthode qui combine un modèle dynamique et les observations au présent et dans le passé en s’appuyant sur la statistique des erreurs et qui permet de prédire l’état futur du système observé, est donc un outil approprié qui répond au besoin de pouvoir prédire la position et le moment d’une éruption en volcanologie.
Parmi de nombreuses méthodes d’assimilation de données, le filtre de particules se distingue des autres par sa grande capacité à traiter des modèles non linéaires et des statistiques d’erreur non gaussiennes (van Leeuwen P.J, 2009, van Leeuwen PJ, 2010). Le filtre de particules est basé sur une représentation de la densité de probabilité du modèle dynamique par un ensemble discret d’états du modèle (nommé les particules) et repose sur le théorème de Bayes, donc sans se soucier de la distribution des erreurs de modèle (différente de la plupart des autres méthodes d’assimilation de données qui supposent une distribution gaussienne des erreurs). L’évolution de la densité de probabilité du modèle est réalisée par la propagation de toutes les particules (états du modèle) dans le temps suivant l’équation du modèle (la physique). Lorsque les observations du système sont disponibles, les contributions relatives des particules sont modifiées de sorte que l’information disponible dans les observations est intégrée dans l’essaim de particules. Le filtre de particules ne corrige pas directement les valeurs des particules, mais leurs contributions relatives, ceci est très important pour estimer les trajectoires de propagation des intrusions magmatiques. Le filtre de particules est donc l’outil approprié dans le contexte spécifique actuel d’estimation de la position d’une éruption volcanique
Dans cette thèse, nous développerons une stratégie efficace d’assimilation de données en utilisant le filtre de particule permettant d’utiliser en temps réel les données géodésiques de déformation pour prédire la localisation et le timing des bouches éruptives induites par la propagation d’intrusions magmatiques, avec une application au Piton de la Fournaise. Par ailleurs, des approches basées sur l’apprentissage automatique seront également étudiées, afin de prédire la localisation et le timing des bouches éruptives en s’appuyant uniquement sur les séries temporelles de mesures de déplacement. Les résultats seront comparés à ceux obtenus par le filtre de particule afin d’évaluer la capacité prédictive des méthodes basées uniquement sur les données. Enfin, on considère également à injecter l’information a priori apportée par les modèles physiques dans les approches d’apprentissage automatique pour améliorer la performance de ces dernières.
Cette thèse s’appuiera sur le travail de thèse de Mary Grace Bato qui avait, pour la première fois, appliqué avec succès les techniques de l’assimilation de données séquentielle (le filtre de Kalman d’ensemble) à la volcanologie en s’intéressant à la pressurisation et à la rupture des réservoirs magmatiques (Bato et al, 2017, Bato et al. 2018). Elle bénéficiera également des résultats obtenus dans le cadre de l’ANR franco-allemande MagmaPropagator (ANR-18-CE92-0037, 2019-2022). De plus, le projet CNES MagmaTrack (2022 – 2024) sera à disposition pour environner la thèse (financer des missions, conférences, etc.) .
Références :
• M. G. Bato, V. Pinel, Y. Yan, Assimilation of Deformation Data for Eruption Forecasting: Potentiality Assessment Based on Synthetic Cases, Front. Earth Sci.,doi:10.3389/feart.2017.00048, 2017.
• M. G. Bato, V. Pinel, Y. Yan, F. Jouanne, J. Vandemeulebrouck, Possible deep connection between volcanic systems evidenced by sequential assimilation of geodetic data, Scientific Reports, doi : 10.1038/s41598-018-29811-x, 2018.
• V. Pinel, A. Carrara, F. Maccaferri, E. Rivalta, F. Corbi, A two-step model for dynamical dyke propagation in two-dimensions: Application to the July 2001 Etna eruption, J. Geophys. Res. Solid Earth, 10.1002/2016JB013630, 2017.
• Gaddes, M. E., Hooper, A., Bagnardi, M. (2019), Using machine learning to automatically detect volcanic unrest in a time series of interferograms, Journal of Geophysical Research : Solid Earth , 124(11), 12304–12322.
• van Leeuwen P.J., Review Particle Filtering in Geophysical System, Mathematical Advances in Data Assimilation, 2009, pp. 4089-4114.
• van Leeuwen P.J. Nonlinear data assimilation in geosciences : an extremely efficient particle filter, 2010, Quarterly Journal of the Royal Meteorological Society, vol. 136, pp. 1991-1999.
• S. Arridge, P. Maass, O. Öktem and C.B. Schönlieb, (2019), Solving inverse problems using data-driven models, Acta Numerica, pp.1-174. DOI: https://doi.org/10.1017/S0962492919000059
• M. Titos, A. Bueno, L. Garcia, M.C. Benitez and J. Ibanez, (2019), Detection and classification of continuous volcano-seismic signals with recurrent neural networks, IEEE Transactions on Geosciences & Remote Sensing, 57(4), pp.1936-1948.
• Z. Zhang and Y. Lin, (2020), Data-driven seismic waveform inversion: a study on the robustness and generalization, IEEE Transactions on Geosciences & Remote Sensing, 58(10), pp.6900-6913.

Profil du candidat :
Le candidat doit avoir de bonne compétence en mathématique/statistique ou traitement du signal ou géophysique.

Formation et compétences requises :
mathématique/statistique ou traitement du signal ou géophysique.

Adresse d’emploi :
Annecy ou Chambéry