Chercheur(euse) post-doctorant(e) en physique des accélérateurs — optimisation par intelligence artificielle du cyclotron CIME

Grand Accélérateur National d'Ions Lourds

CAEN

• Calvados
• Chercheur en contrat de projet
• 42 mois
• Doctorat

This offer is available in English version

Cette offre est ouverte aux personnes disposant d’un titre leur reconnaissant la qualité de travailleur handicapé ou travailleuse handicapée.

L'offre en un coup d'oeil

• L'unité : Grand Accélérateur National d'Ions Lourds
• Type de Contrat : Chercheur en contrat de projet
• Temps de Travail : Complet
• Lieu de Travail : 14076 CAEN
• Durée du contrat : 42 mois
• Date d'Embauche : 04/01/2027
• Rémuneration : 3041 € à 4216 € bruts mensuels selon expérience professionnelle

Description du Poste

Les Missions

GANIL est partenaire du projet européen iRIS (intelligent Research Infrastructure Sustainability, Horizon Europe, coordonné par le CERN) https://www.irisproject.eu. Ce projet vise à réduire l’empreinte environnementale des grandes infrastructures de recherche par des méthodes d’intelligence artificielle. Le CNRS y pilote le lot de travaux WP2 GreenBeam , consacré à l’optimisation IA de la durabilité des accélérateurs de particules.

Les Missions Pour Ce Projet Sont

• Développer et valider les méthodes d’apprentissage automatique et d’optimisation permettant d’atteindre l’objectif contractuel du projet pour le site : réduire de 30-50 % les temps de réglage en construisant les modèles de substitution (surrogates) de la machine et en refermant la boucle d’optimisation sur le système de contrôle.
• Porter la contribution scientifique du GANIL au livrable Operational accelerator data and instrumentation toolkit (M13), dont le CNRS est responsable, et alimenter les livrables du lot de travaux concerné.

L'Activité

• Instrumentation et acquisition des données d’exploitation de CIME (tâche T2.2, pilotée par le CNRS)
• Définir et mettre en oeuvre les procédures de mesure et l’instrumentation permettant de relier réglages machine et performance faisceau CIME ; établir les protocoles de pré-traitement et les jeux de caractéristiques (features) associés.
• Alimenter le magasin de caractéristiques FAIR (Findable, Accessible, Interoperable, Reusable) du projet et garantir la transférabilité des données et des modèles vers les autres infrastructures du consortium.
• Modèles de substitution et optimisation IA des réglages de CIME (tâche T2.3)
• Développer les modèles de substitution de CIME à partir des données d’exploitation et des codes de dynamique faisceau, et les intégrer aux cadres de conception (XSuite/Cheetah/Propriétaire) et d’optimisation (GeOFF) retenus par le projet.
• Mettre en œuvre les algorithmes d’optimisation (optimisation bayésienne, apprentissage par renforcement) pour le réglage assisté de la machine, et refermer la boucle avec le système de contrôle commande selon le schéma retenu par le projet iRIS : les algorithmes proposent les réglages, l’opérateur valide, la machine s’adapte.
• Réduction de la consommation énergétique et des temps de réglage de CIME
• Caractériser et réduire les postes de consommation liés à l’exploitation ; quantifier les gains par rapport à la ligne de base, en visant les objectifs contractuels du projet pour la machine.
• Assurer l’interface avec les équipes d’exploitation et la salle de commande du GANIL ; documenter et publier les résultats (conférences IPAC/ICALEPCS/MALAPA, revues) ; participer aux réunions du consortium iRIS et évènements ARTIFACT (artifact-network.org).

Votre Profil

Compétences

Domaine De Compétences

Physique des accélérateurs, dynamique faisceau, apprentissage automatique appliqué aux accélérateurs (modèles de substitution, séries temporelles), optimisation (bayésienne, apprentissage par renforcement). Une expérience en réglage et exploitation des cyclotrons est un plus mais n’est pas obligatoire.

Niveau D’emploi

Doctorat en physique des accélérateurs, physique appliquée ou discipline proche, avec une expérience démontrée en apprentissage automatique appliqué aux accélérateurs (ou réciproquement).

Savoir-faire

• Maîtrise de Python et de l’écosystème ML (PyTorch ou équivalent, scikit-learn) ; outils d’optimisation appliqués aux accélérateurs (Xopt, optimisation bayésienne, apprentissage par renforcement). La connaissance de GeOFF/Badger et de XSuite/Cheetah est un plus.
• Pratique des codes de transport et de dynamique faisceau (TraceWin, MAD-X, XSuite ou équivalents). La connaissance des systèmes de contrôle d’accélérateurs (EPICS ;) est un plus.
• Analyse de données d’exploitation (archives, diagnostics, mesures de consommation) ; instrumentation et acquisition ; rigueur de validation en environnement opérationnel.
• Savoir communiquer ses résulta