Cifre Phd

**Informations générales**:
**Entité légale **:Chez Framatome, filiale d'EDF, nous concevons et fournissons des équipements, des services, du combustible, et des systèmes de contrôle-commande pour les centrales nucléaires du monde entier.
Nos 18 000 collaborateurs permettent chaque jour à nos clients de produire un mix énergétique bas-carbone toujours plus propre, plus sûr et plus économique.
Nos équipes développent également des solutions pour les secteurs de la défense, de la médecine nucléaire et du spatial.

Implantée dans une vingtaine de pays, Framatome rassemble les expertises d'hommes et de femmes passionnés et convaincus que le nucléaire est une énergie d'avenir.

Entreprise responsable, nous développons des actions pour former et accompagner les premières expériences professionnelles (label Happy Trainees), intégrer tous les talents, dont les personnes en situation de handicap, œuvrer pour l'égalité professionnelle et la mixité de nos métiers (94/100 à l'index de l'égalité hommes-femmes) et concilier les temps de vie.

**Référence **:2024-18684

**Date de parution **:02/10/2024

**Description du poste**:
**Métier**:
TA - ETUDES - CONCEPTION & INGENIERIE - TAH - Conception du cœur et conduite de réacteur

**Intitulé du poste**:
CIFRE PhD - Uncertainty Quantification in Neural Networks for Critical Applications F/H

**Contrat**:
CIFRE

**Fourchette de rémunération**:
de 35 à 40 k€

**Description de la BU**:
dti

**Description de la mission**:
Neural networks are statistical learning models capable of processing complex data and learning non-linear relationships between inputs and outputs of interest.

Uncertainty quantification (UQ) is the process of estimating the uncertainty associated with a measurement or estimate. It is often used in the fields of statistical learning and data science, where it is important to take into account the uncertainty of data and models. UQ can therefore be applied to estimate the uncertainty of a neural network. This uncertainty can then be used to improve the robustness of the network to noisy and incomplete data, or to make more informed decisions.

Available scientific literature mentions a few avenues of research into uncertainty estimation in the context of non-distributed data (the conformal approach, for example). However, further research is still needed in the context of out-of-distribution data that is not known in advance, and for which current UQ methods are not very robust.

This PhD is funded by CIFRE, with a joint supervision between Framatome and CentraleSupélec (Centre for Visual Computing laboratory).

**Profil**:

- Strong background in applied maths, data science, computer science, machine learning and deep learning, and skills in embedded systems and nuclear physics would be appreciated;
- Proficiency in programming languages such as Python or C/C++.;
- Good analytical and problem-solving skills, with a strong passion for discovery and cutting-edge research;
- Effective communication skills in English, and the ability to work both independently and as part of a multidisciplinary team;
- Experience with machine learning applied to physics and the PyTorch framework would be ideal.

**Localisation du poste**:
**Localisation du poste**:
France, Ile-de-France, Hauts-de-Seine (92)

**Site**:
La Defense

**BU**:
DTI - DTIP

**Niveau d'études min. requis**:
Bac+5

**Niveau d'expérience min. requis**:
Jeune diplômé

**Niveau d'emploi**:
Cadre

**Informations additionnelles**:
**Poste soumis à enquête administrative**:
Oui

**Poste soumis à autorisation au titre du contrôle des exportations**:
Non