Modélisation adaptative par apprentissage profond actif des blocs opératoires dans les systèmes hospitaliers

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

Laboratoire/Entreprise : Laboratoire d’Informatique Bioinformatique et Sys
Durée : 5 à 6 mois
Contact : Khalifa.Djemal@ibisc.univ-evry.fr
Date limite de publication : 2026-04-17

Contexte :
Offre de Stage financée au sein du laboratoire IBISC Université Evry Paris Saclay.

Sujet :
La planification des tâches pour des blocs opératoires comme les admissions, est un problème complexe compte tenu de la l’intervention humaine et en particulier des événements aléatoires perturbatrices. Dans ce domaine, de nombreuses recherches ont été menées ces dernières années, la plupart de ces travaux sont basés sur des modèles stochastiques. L’intelligence artificielle a montré son efficacité pour résoudre des systèmes complexes dans différents domaines d’applications. Dans ce contexte, des modèles de planification peuvent s’appuyer sur les approches de l’apprentissage automatique. En effet, ces techniques permettent de développer des modèles d’ordonnancement prédictif et de l’optimisation des entrepôts de données.

L’objectif de ce stage, consiste dans le développement d’une approche de planification adaptative du bloc opératoire. Basée sur le principe de l’apprentissage automatique, la méthode de planification permettra le pilotage temps-réel du bloc opératoire. Les travaux seront réalisés dans un cadre d’application pratique dans des services de chirurgie faisant partie de l’établissement hospitalier.

Le candidat réalisera une étude de l’état de l’art et se penchera ensuite sur les différentes possibilités de la mise en place d’une stratégie de planification par apprentissage automatique tenant compte des contraintes souvent incertaines qui peuvent surgir à tout instant.

Références:

[1] Valentina Bellini, Michele Russo, Tania Domenichetti, Matteo Panizzi, Simone Allai, Elena Giovanna Bignami, Artificial Intelligence in Operating Room Management, Journal of Medical Systems (2024) 48:19 https://doi.org/10.1007/s10916-024-02038-2

[2] Zhenzhong Liu, Kelong Chen, Shuai Wang, Yijun Xiao, Guobin Zhang, Deep learning in surgical process modeling: A systematic review of workflow recognition, Journal of Biomedical Informatics, Volume 162, February 2025, 104779 https://doi.org/10.1016/j.jbi.2025.104779

[3] Md Mahfuzur Rahman, Rubayet Karim, Md Moniruzzaman, Md Afjal Hossein and Hammad Younes, Modeling Hospital Operating Theater Services: A System Dynamics Approach, Logistics2023, 7(4), 85; https://doi.org/10.3390/logistics7040085

Profil du candidat :

Formation et compétences requises :
De formation Master 2 ou équivalent possédant de préférence les compétences suivantes:
– Programmation Python, Matlab,
– Machine Learning
– Des connaissances de base en modélisation et ordonnancement

Adresse d’emploi :
Laboratoire Informatique, Bioinformatique et Systèmes Complexes – IBISC
40 rue du Pelvoux, 91020 Evry, France.

Document attaché : 202601251431_Sujet-Stage-BO.pdf

Postdoc on Turbulent Dynamos Reduced-Order Modeling via Machine learning

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

Laboratoire/Entreprise : LISN – CNRS
Durée : 24m
Contact : didier.lucor@cnrs.fr
Date limite de publication : 2026-02-28

Contexte :
Magnetohydrodynamics (MHD) science studies the interaction between electrically conducting fluids and electromagnetic fields. The DyE explains the origin of magnetic fields in such fluids: an initial magnetic field is amplified by a conducting flow. This phenomenon, which is rare in liquid metals, occurs only in 3D turbulent regimes at low magnetic Prandtl number (Pm). Several experiments have successfully reproduced this effect in Riga, Karlsruhe, and Cadarache. The German DRESDYN project (HZDR, Germany) currently aims to generate a dynamo in a precessing cylinder, but its success remains uncertain.
These dynamos exhibit highly complex dynamics, including magnetic field reversals, intermittent phases, and burst-like events, which are difficult to reproduce numerically. Full modeling of the dynamo effect is hindered by the nonlinear coupling between the Navier-Stokes and magnetic induction equations, making Direct Numerical Simulations (DNS) extremely expensive and typically restricted to Pm~1 regimes.
To overcome these limitations, Reduced-Order Models (ROMs) can be developed to capture and better understand the essential dynamics at a significantly lower computational cost. Machine Learning (ML) provides novel approaches for constructing efficient and predictive ROMs.

Sujet :
Based on acquired databases produced by large-scale dynamos numerical simulations of magnetic and velocity fields, this work has two main objectives:
— analyze magnetic field reversals and dynamo burst phenomena by developing parametric reduced-order models (pROMs) with enhanced physical interpretability, enabling the identification of key mechanisms and the reproduction of the dynamics observed in numerical simulations.
— optimize the DRESDYN experiment using pROMs by adjusting physical parameters (precession, rotation, geometry) to explore the viability of the dynamo effect at reduced computational cost.
The targeted methods must overcome current limitations of pROMs for MHD systems, namely their lack of interpretability and poor extrapolation capability, by combining classical linear spectral approaches with nonlinear deep-learning-based methods, such as autoencoders and variational autoencoders (vAEs), in order to ensure more explainable, physically consistent, and robust models outside the training domain.
For nonlinear pROMs based on latent representations, physics-informed (v)AEs will be considered, through explicit regression of latent variables with key physical parameters, temporal or parametric contrastive learning, or the incorporation of physical invariants. These approaches will provide projections of multiple attractors in latent space and facilitate the identification of invariant manifolds, bifurcation points, and transition pathways.
After this compression phase, a physics-constrained reduced dynamics will be learned in the latent space, parameterized by the flow control parameters, in order to robustly predict, generalize, and interpret MHD regimes, their transitions, and rare events.
Recurrent Neural Networks will be adapted, such for instance as Long Short-Term Memory networks for limited datasets, or transformer-based models for complex turbulent regimes with large datasets.

Profil du candidat :
The candidate should demonstrate a strong multidisciplinary background, with solid knowledge in fluid dynamics and/or MHD, experience in scientific data analysis and/or reduced-order modeling, and a strong interest in machine learning applied to dynamical systems, as well as good scientific programming skills.
The candidate must hold a PhD in fluid mechanics, applied mathematics, or machine learning.

Formation et compétences requises :
At the LISN CNRS laboratory, on the Université Paris-Saclay (UPS) campus, we recruit a Researcher for a 24-month fixed-term position within the framework of the ANR MilaDy project. The successful candidate will work on the analysis of data produced by large-scale numerical simulations of magnetic and velocity fields related to two experiments investigating magnetic field generation via the dynamo effect (DyE). He/she will collaborate closely with colleagues from the Lagrange Laboratory (Nice) and CEREA (ENPC, EDF R&D).

Adresse d’emploi :
Based on the Université Paris-Saclay campus, the researcher will work at LISN within an interdisciplinary research environment fostering strong interactions between physicists, mechanicians, and machine learning specialists, with access to high-performance computing resources and advanced simulation databases.
This position falls within a domain subject to the protection of scientific and technical potential (PPST) and therefore requires, in accordance with regulations, prior authorization from the competent authority of the French Ministry of Higher Education and Research (MESR) before the post-doctoral researcher can take up the position.

Document attaché : 202601231546_postdoc_milady_LISN.pdf

Call for PhD Applications 14 Prestigious Marie Skłodowska-Curie Actions Double Degree Doctorate Fellowships GreenFieldData : IoRT Data Management and Analysis for Sustainable Agriculture Project 3-year contract starting September/October 2026

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

Laboratoire/Entreprise : INRAE and other 11 EU universities
Durée : 36 months
Contact : sandro.bimonte@inrae.fr
Date limite de publication : 2026-04-15

Contexte :
Call for PhD Applications
14 Prestigious Marie Skłodowska-Curie Actions
Double Degree Doctorate Fellowships

GreenFieldData : IoRT Data Management and Analysis for Sustainable Agriculture Project
3-year contract starting September/October 2026

*****
https://www.eu4greenfielddata.eu/
*****

***Are you an aspiring researcher ready to drive the digital and green transition in agriculture?
The GreenFieldData project offers an outstanding opportunity to pursue a PhD within a high-calibre international and interdisciplinary network, funded under the prestigious Marie Skłodowska-Curie Actions (MSCA) Doctoral Networks (Grant agreement ID: 101226371).

***Why join us ?
Pillar of Excellence: A High-Level MSCA Joint Doctorate
The “IoRT Data management and analysis for Sustainable Agriculture” (GreenFieldData) project is an initiative of Pillar 1 (Excellence) of Horizon Europe. This ambitious network unites 12 leading academic beneficiaries across 7 EU countries, supported by 24 associated non-academic and academic partners.
By joining this network, you will become part of a highly integrated, inter-sectoral, and international (triple ‘i’) training environment. Our common goal is to train a new generation of researchers who can provide robust and human-centric solutions to the challenges posed by climate change and socio-economic constraints.

***Exceptional Financial Support for Your PhD
The MSCA Joint Doctorate provides a highly competitive and financially attractive employment package for the entire 36-month duration of the PhD contract:
Generous Living Allowance: A monthly gross salary contribution
Mobility Allowance: An additional monthly contribution to cover private mobility-related costs (e.g., relocation, travel)
Family Allowance: A monthly allowance is also provided, if applicable (researchers with family obligations)

***Double Degree, High-Level Training, and Employability
All 14 Doctoral Candidates will be enrolled in Double Degree Doctorate programmes, guaranteeing joint supervision from at least two prominent international universities, with secondments in industrial partners
The project offers a high-level doctoral training programme, providing a unique toolbox of cutting-edge knowledge and transferable skills essential for maximizing your future employability within research, digital technologies, and agricultural sectors.

Sujet :
***14 Cutting-Edge Research Topics on IoRT and Sustainable Agriculture
Your research will focus on the convergence of advanced data science and IoRT (Internet of Robotic Things) to foster Sustainable Agriculture and define efficient low input practices. We are seeking bright minds to tackle advanced topics such as Advanced Database Management Systems, AI, Edge-Fog-Cloud Architectures, and Data Analysis applied to real-world agricultural challenges.

We are recruiting for the following 14 PhD Positions (3-year contract starting September/October 2026):

Position A
Optimized IoRT network for enhanced data quality of IoRT cereals production practices.
Aarhus University (DK) & Clermont Auvergne University (FR)

Position B
Data collection and analysis empowered with AI for robotized Olive Oil Precision Farming.
University College Dublin (IE) & Instituto Superior Técnico (PT)

Position C
Powering data-driven sustainability assessment tasks in agri-food systems with IoT-data Datlakes and Large Language Models.
Aarhus University (DK) & Université Libre Bruxelles (BE)

Position D
Human-centric Digital twins for monitoring robotized biostimulants application practices.
University Milan (IT) & Université Libre Bruxelles (BE)

Position E
Optimizing Images Quality and Deep Learning Methods for Vineyard Disease Detection.
University Padova (IT) & Poznan University of Technology (PL)

Position F
Optimized Olive crop irrigation based on high quality soil data using IoRT networks.
Instituto Superior Técnico (PT) & University Toulouse (FR)

Position G
Characterization of abiotic stress of trees using AI methods on acoustic signals.
University College Dublin (IE) & INRAE (FR)

Position H
Monitoring of grazing animals using sensors and data science.
University Liege (BE) & University College Dublin (IE)

Position I
Assessing soil and crop health across sugar-beet producing farms.
Poznan University of Technology (PL) & University Liege (BE)

Position L
Natural language based interaction for robotized biostimulant practices.
CNRS (FR) & University Milan (IT)

Position M
Assessing drought effects on grassland using IoT-enabled visual sensors.
Poznan University of Technology(PL) & INRAE (FR)

Position N
Optimization-simulation coupling for the GHG emission based supervision and planification of a fleet of autonomous agricultural robots.
Aarhus University (DK) & INRAE (FR)

Position O
Adaptive navigation for agricultural robots using database-driven insights.
Université Libre Bruxelles (BE) & INRAE (FR)

Position P
Agricultural AI data integration and management based on LLM.
University Toulouse (FR) & University Padova (IT)

Timeline
Application Open : January 5th 2026
Application Deadline : April 15th 2026
Selection Process : Mai 2026
PhD Start Date : September-October 2026

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
7 EU countries
All information here
https://www.eu4greenfielddata.eu/

GreenDays – édition 2026 à Sophia Antipolis les 10 et 11 mars.

Date : 2026-03-10
Lieu : Sophia Antipolis les 10 et 11 mars

Bonjour à toutes et tous,

Après les 13 précédentes éditions fructueuses des GreenDays, l’édition 2026 aura lieu à Sophia Antipolis les 10 et 11 mars.

Ces journées thématiques francophones traitant du numérique écoresponsable sont organisées en collaboration avec les GDR C4P, IASIS, IGRV, MaDICS, RADIA, Robotique, ROD, RSD, SciLog, SOC2 et le GDRS EcoInfo et avec le soutien des PEPR Cloud et Réseaux du futur.

L’inscription est gratuite mais obligatoire avant le 11 février 2026 (en fonction des places disponibles, pour des raisons de logistique). Pour s’inscrire : https://greendays.sciencesconf.org/

Si vous souhaitez présenter des travaux (exposé ou poster), soumettez un titre et un résumé avant le 28 janvier 2026 sur https://greendays.sciencesconf.org/user/submissions.

En espérant vous voir nombreux !

Le comité d’organisation des GreenDays’26

Lien direct


Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Prochain webinaire SaD-2HN : “Analyse des recommandations YouTube”, Gilles Trédan et Julien Figeac

Date : 2026-03-10
Lieu : En ligne: https://marsha.education/my-contents/classroom/debc78e9-5977-4a03-8798-36a65a2f0acb/invite/MgiORiV3SHCv_mXckxYwHabV77F-t0SRaW-P9rH6LwY

Bonjour à toutes et à tous,

(Avec toutes nos excuses en cas de réceptions multiples)

L’action de recherche SaD-2HN (Des Sources aux Données Historiques en Humanités numériques) du GDR CNRS MADICS propose un lieu d’échange pour l’ensemble des chercheur.e.s qui
qui travaillent sur la nature complexe des données historiques (données temporelles incertaines, incomplètes, évolutives), leur lien avec les sources et leur analyse pour étudier le passé.

La troisième séance du webinaire “données du Web et les SHS computationnelles” organisé par l’action aura lieu le vendredi 16 janvier de 12h30 à 13h30.

Nous aurons le plaisir d’accueillir virtuellement Gilles Trédan1 et Julien Figeac2 pour une intervention intitulée : « Analyse des recommandations YouTube »

Un résumé est disponible à la fin de ce message.

Vous pourrez vous connecter au webinaire sur https://marsha.education/my-contents/classroom/debc78e9-5977-4a03-8798-36a65a2f0acb/invite/MgiORiV3SHCv_mXckxYwHabV77F-t0SRaW-P9rH6LwY

Nous espérons vous retrouver nombreuses et nombreux !

Bien à vous,

Nathalie Hernandez (IRIT, Université Toulouse Jean Jaures, UT2J)

Nathalie Abadie (LaSTIG, Université Gustave Eiffel, ENSG, IGN)

Bertrand Duménieu (CRH, École des Hautes Études en Sciences Sociales)

Sébastien Poublanc (FRAMESPA, Université Toulouse Jean Jaures, UT2J)

~~~~~~~~~~~~

« Analyse des recommandations YouTube »

Gilles Trédan1, Julien Figeac2

1 LAAS – Laboratoire d’Analyse et d’Architecture des Systèmes, Toulouse

2 CERTOP (UMR 5044)- Centre d’Etude et de Recherche Travail Organisation Pouvoir, Université de Toulouse II et Sciences Po Toulouse

Résumé : Dans cet exposé, nous présenterons une série d’initiatives portant sur l’analyse de recommandations de vidéos YouTube. Ce jeu de données a été constitué à l’aide d’une “ferme à bots” (sock-puppet audit) qui émule des utilisateurs de Youtube et collecte les recommandations qui leurs sont proposées. Nous exploitons une collecte réalisée sur la page “News” de YouTube durant les 4 mois précédant l’élection présidentielle de 2022 (réprésentant 1.5 millions recommandations). Une première analyse révèle une étonnante corrélation entre la popularité des candidats dans les sondages et la fréquence à laquelle ils sont évoqués dans des vidéos prises au hasard. Ces résultats questionnent la transposition du principe d’équité des temps de parole sur les plateformes numériques. Ensuite, nous analyserons les contenus exposés et leurs producteurs.. A travers plusieurs prismes (thèmes, types de producteurs, orientation politique), nous étudierons l’impact du contenu regardé sur les contenus recommandés afin de questionner l’influence du système de recommandation sur la construction du paysage médiatique. Enfin, nous reviendrons sur les difficultés que soulèvent à nos yeux ce type de démarche, tant en termes de développement instrumental que d’analyse.

Retrouvez le programme complet du webinaire et les résumés des interventions sont disponibles sur le site Web de l’action de recherche : https://sadhn-madics.github.io/webinaire-sad-2hn

Lien direct


Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Offre de stage M2 – Enrichissement d’ontologies par approche neuro-symbolique (LLM)

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

Laboratoire/Entreprise : Laboratoire d’Intelligence Artificielle et Sémant
Durée : 4 – 5 mois
Contact : t.mecharnia@iut.univ-paris8.fr
Date limite de publication : 2026-02-28

Contexte :
Les grands modèles de langage (LLM) tels que GPT, Llama ou Mistral sont capables de raisonner sur du texte, d’extraire des entités et d’établir des relations sémantiques complexes. Leur utilisation pour l’enrichissement automatique d’ontologies est un domaine émergent en ingénierie des connaissances.
Toutefois, les informations produites par un LLM ne respectent pas nécessairement la cohérence logique ni la structure formelle d’une ontologie exprimée en OWL. Ce stage s’inscrit dans une démarche de recherche visant à concevoir une approche neuro-symbolique, combinant :
— La créativité sémantique d’un LLM pour proposer de nouveaux concepts et propriétés.
— La rigueur du raisonnement logique via un moteur de raisonnement OWL permet de valider ces propositions.
L’objectif est de développer un cadre d’enrichissement automatique d’ontologies à partir de textes scientifiques, de notices techniques ou de graphes RDF existants.

Sujet :
Ce stage s’inscrit dans des travaux de recherche à l’interface entre intelligence artificielle symbolique, apprentissage automatique et ingénierie des connaissances. Il portera notamment sur l’exploitation de LLM pour la génération, l’alignement et la validation de connaissances ontologiques.

Une description détaillée du sujet, des objectifs scientifiques et du contexte de recherche est disponible dans le document joint.

Les candidats intéressés sont invités à transmettre, exclusivement au format PDF, les documents suivants à l’adresse :
t.mecharnia@iut.univ-paris8.fr

Profil du candidat :
Etudiant·e en 2e année de master ou en dernière année d’école d’ingénieur dans le domaine de l’intelligence artificielle, avec des compétences

Formation et compétences requises :
Techniques :
— Programmation : Python (rdflib, transformers, torch).
— Web sémantique : RDF, OWL, SPARQL, Protégé.
— NLP / LLMs : prompts, pipelines, fine-tuning (un plus).
— Raisonnement symbolique, logiques des descriptions, utilisation de reasoners.

Scientifiques :
— Compréhension des modèles LLM.
— Conception d’ontologies et validation sémantique.

Adresse d’emploi :
Équipe EID du LIASD, IUT de Montreuil, 140 Rue de la Nouvelle France, 93100 Montreuil, France

Document attaché : 202601071543_Annonce_Stage_M2.pdf

Offre de stage M2 – Enrichissement d’ontologies par approche neuro-symbolique (LLM)

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

Laboratoire/Entreprise : Laboratoire d’Intelligence Artificielle et Sémant
Durée : 4 à 5 mois
Contact : t.mecharnia@iut.univ-paris8.fr
Date limite de publication : 2026-02-28

Contexte :

Sujet :
Ce stage s’inscrit dans des travaux de recherche à l’interface entre intelligence artificielle symbolique, apprentissage automatique et ingénierie des connaissances. Il portera notamment sur l’exploitation de LLM pour la génération, l’alignement et la validation de connaissances ontologiques.

Une description détaillée du sujet, des objectifs scientifiques et du contexte de recherche est disponible dans le document joint.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Équipe EID du LIASD, IUT de Montreuil, 140 Rue de la Nouvelle France,
93100 Montreuil, France

Document attaché : 202601071430_Annonce_Stage_M2.pdf

Low-Resource Bias Evaluation and Mitigation for Large Language Models

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

Laboratoire/Entreprise : SAMOVAR, Télécom SudParis, IP Paris
Durée : 3 Years
Contact : luca.benedetto@telecom-sudparis.eu
Date limite de publication : 2026-02-28

Contexte :

Sujet :
We are offering a PhD Thesis position to perform research on NLP and AI Fairness, in the ACMES Team of the SAMOVAR lab at IP Paris.

In this project, we will work on low-resource techniques for bias detection and mitigation in large language models, across a variety of domains, from education to recommendation systems.

You can find a detailed description of this position at the following link: https://partage.imt.fr/index.php/s/qzGZz4KBCMnsJso

To apply, please reach out to luca.benedetto@telecom-sudparis.eu

Interviews will be held in late January.

Profil du candidat :

Formation et compétences requises :
Candidates are expected to have experience with machine learning in general, and specifically with NLP.

Familiarity with frameworks and libraries such as langchain, vLLM, ollama is preferred.

Adresse d’emploi :
Evry ou Palaiseau (France)

Document attaché : 202601071133_sujetThese_ED626_68505.pdf

Étude de l’apport des Prétraitements en imagerie sous-marine pour les approches Convolutives

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

Laboratoire/Entreprise : LabiISEN – ISEN Ouest
Durée : 4 à 6 mois
Contact : thibault.napoleon@isen-ouest.yncrea.fr
Date limite de publication : 2026-02-28

Contexte :

Sujet :
Dans le cadre de travaux avec Thales Underwater System (UWS), nous cherchons à évaluer la pertinence des prétraitements dans les techniques de vision par ordinateur en milieu sous-marin. En effet, il est d’usage de prétraiter les images issues du capteur (photo ou vidéo) afin de compenser les distorsions colorimétriques induites par le milieu aquatique ainsi que les phénomènes de brumes sous-marines induits par la turbidité. Cependant, ces approches s’appuient depuis quelques années sur des techniques utilisant des réseaux de neurones (souvent convolutifs) dont les architectures sont proches de celles utilisées pour les tâches de vision par ordinateur qui suivent ces prétraitements. Ainsi, cette étude vise à mieux comprendre les avantages et les inconvénients d’enchainer les étapes prétraitement (c.-à-d. approche dissociée) et traitements par vision (classification, détection ou segmentation par exemple) plutôt que de les combiner dans un même réseau de neurones (c.-à-d. approche combinée).

Le but de ce stage est de comparer ces deux approches, dissociée et combinée, dans un cadre unifié où plusieurs méthodes de prétraitements et plusieurs tâches de vision seront étudiées. Le but étant de montrer les avantages et les inconvénients des deux approches. Ainsi, il pourrait être possible de proposer une méthode combinant les avantages de chacune. L’une des pistes envisagées est une approche multi-objectifs dans un réseau de segmentation sémantique. Dans ce cadre, l’un des objectifs serait le débrumage d’image tandis qu’un autre serait la segmentation sémantique des images. Avec cette approche, la capacité d’apprendre à prétraiter les images en même temps qu’en extraire les informations pertinentes, pour plus de robustesse, pourrait apparaitre dans un unique réseau de neurones.

Le stage s’articulera autour des points suivants :
• Sélection des bases de données nécessaires à l’étude comparative.
• Sélection des méthodes de prétraitements utilisées en vision sous-marine.
• Sélection des méthodes de vision par ordinateur adaptées aux tâches de vision sous-marines.
• Étude comparative des approches dissociées et combinées.

Profil du candidat :
Le candidat doit avoir :
• suivi un cursus de Master ou d’Ingénieur dans un des domaines suivants : vision par
ordinateur, science des données, informatique ;
• de solides compétences en algorithmique et en programmation ;
• des connaissances en vision par ordinateur ;
• des connaissances en intelligence artificielle.

Pour candidater, le candidat doit fournir :
• un CV détaillé ;
• les relevées de notes des deux dernières années.

Merci de candidater sur https://isen.softy.pro/offers/186565 ou en envoyant un mail à thibault.napoleon@isen-ouest.yncrea.fr (objet : [Stage EPIC]).

Formation et compétences requises :

Adresse d’emploi :
ISEN Ouest, site de Brest – 20 rue Cuirassé Bretagne, 29200 Brest

Document attaché : 202601070932_Sujet.pdf

Postdoc (H/F) dans le domain de transitoire radio en astronomie

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

Laboratoire/Entreprise : LPC2E – Laboratoire de Physique et Chimie de l’En
Durée : 3 ans
Contact : cherry.ng-guiheneuf@cnrs-orleans.fr
Date limite de publication : 2026-02-28

Contexte :
Les récentes avancées technologiques ont permis aux astronomes de numériser le ciel radio à une fraction de seconde près. Cette résolution temporelle sans précédent offre une sensibilité aux phénomènes transitoires qui nous auraient autrement échappé. Les transitoires à longue période (LPT) en sont un excellent exemple : il s’agit d’une nouvelle classe émergente de sources radio cohérentes qui remettent en question notre compréhension de la physique des émissions des étoiles à neutrons. Contrairement aux pulsars canoniques, qui présentent des périodes de rotation de quelques millisecondes à quelques secondes, les LPT émettent périodiquement sur des échelles de temps de quelques dizaines de secondes à quelques minutes, voire quelques heures. La découverte des LPT est tout à fait inattendue ; on pensait depuis longtemps qu’à mesure que les étoiles à neutrons ralentissaient et perdaient progressivement leur énergie de rotation, la production de paires et les émissions radio cohérentes devaient cesser au-delà de la « ligne de mort des pulsars ».

L’existence de ces émetteurs à longue période soulève des questions fondamentales sur la manière dont l’émission cohérente est générée dans les magnétosphères lorsque la chute de potentiel disponible est insuffisante pour maintenir les cascades de paires. À ce jour, seule une douzaine de LPT ont été découverts, bien que la nature extrêmement intermittente de nombre d’entre eux suggère que beaucoup d’autres objets de ce type restent à détecter. La compréhension des LPT est essentielle pour faire progresser les modèles de magnétosphères des étoiles à neutrons, tester les limites de l’accélération des particules et de la génération de plasma, et potentiellement découvrir les liens évolutifs entre les pulsars, les magnétars et d’autres phénomènes radio transitoires tels que les sursauts radio rapides (FRB). En bref, l’étude des LPT offre une occasion unique d’explorer à la fois la physique des émissions cohérentes et l’évolution tardive des étoiles à neutrons. Elle permet également d’étudier les systèmes binaires de naines blanches, car au moins certains des LPT semblent être des systèmes « polaires » en interaction, dans lesquels un pont magnétique se forme entre une naine blanche et une autre étoile de faible masse.

Sujet :
Afin d’augmenter la taille de l’échantillon LPT et obtenir une image plus complète, nous exploiterons la multitude de données du futur radiotélescope CHORD, un instrument de nouvelle génération actuellement en construction au Canada et dont la mise en service est prévue en 2027. Grâce aux récentes avancées technologiques, CHORD disposera de deux capacités uniques : une vitesse de cartographie du ciel sans précédent et une couverture quotidienne répétée du ciel, les deux ingrédients clés pour une étude réussie des pulsars. Ce projet est entièrement financé par une subvention nationale de l’ANR.

Le/la post-doctorant(e) dirigera le développement d’algorithmes de traitement du signal, le traitement des données temporelles et la modélisation. La tâche consistera notamment à optimiser le flux de travail et à le déployer sur des clusters GPU/CPU pour la production. À l’issue de ses trois années de recherche postdoctorale, le/la candidat(e) sera en mesure de faire preuve de leadership dans le cadre d’un projet de pointe sur les transitoires radio, en particulier dans le domaine des pulsars et des transitoires rapides. Le/la candidat(e) dirigera également l’étude de suivi des découvertes à l’aide du radiotélescope de Nançay (NRT) et du télescope NenuFAR de l’observatoire Radioastronomique de Nançay, en France. Le/la candidat(e) travaillera au suivi des découvertes à l’aide du Grand Radiotélescope de Nançay (NRT) et du télescope NenuFAR de l’Observatoire Radioastronomique de Nançay en France.

Profil du candidat :
La candidature doit être accompagnée d’un CV détaillé (3 pages maximum), de trois lettres de recommandation envoyées directement à cherry.ng-guiheneuf@cnrs-orleans.fr par les référents avant la date limite, ainsi que d’une lettre de motivation présentant la motivation du/de la candidat(e) à se former en tant que chercheur(euse) en astrophysique, et plus particulièrement au LPC2E/CNRS, son expérience de recherche, ses centres d’intérêt scientifiques, ainsi que ses projets et objectifs de carrière.

Formation et compétences requises :
Le/la candidat(e) doit être titulaire d’un doctorat en astrophysique (ou dans un domaine étroitement lié), être disponible à temps plein et avoir une bonne maîtrise de l’anglais. La capacité à travailler en collaboration et dans un cadre interdisciplinaire sera un élément déterminant dans l’évaluation des candidatures. Une expérience en programmation et en traitement du signal est requise.

Adresse d’emploi :
Le/la candidat sera accueilli(e) par l’équipe ASTRO au LPC2E à Orléans. L’équipe dispose du plus grand groupe de recherche sur les pulsars en France et est étroitement liée à l’Observatoire radioastronomique de Nançay, situé dans la forêt de Sologne. Le/la candidat(e) aura également l’occasion de voyager pour collaborer avec d’autres instituts partenaires, ainsi que de présenter ses travaux de recherche lors de conférences internationales. Un ordinateur portable lui sera fourni, ainsi que l’accès aux ressources informatiques nécessaires.

La collaboration CHORD est une équipe multi-institutionnelle comptant plus de 100 membres. Parmi les instituts partenaires figurent notamment l’Université de Toronto, l’Université McGill, l’Institut Perimeter, l’Université de Colombie-Britannique, le MIT, l’INAF et le CNRS. Le réseau central du télescope CHORD est hébergé à l’Observatoire radio-astrophysique Dominion (DRAO) sur la côte ouest du Canada, et deux stations satellites seront construites aux observatoires de Green Bank et Hat Creek aux États-Unis.

Les candidats sont invités à contacter les encadrants (Cherry Ng-Guiheneuf cherry.ng-guiheneuf@cnrs-orleans.fr et Gilles Theureau Gilles.Theureau@obspm.fr) pour discuter plus en détail.