Scientist - Quantum System Performance Optimization H/F

A propos de Pasqal conçoit et développe des processeurs quantiques (QPUs : Quantum Processing Units) et les outils logiciels associés. Notre technologie innovante permet de traiter des cas d'usage qui sont à ce jour hors de portée des plus puissants des supercalculateurs ; ces cas peuvent concerner des défis industriels applicatifs aussi bien que les besoins des sciences fondamentales. Au-delà de la puissance de calcul exceptionnelle qu'ils apportent, les QPUs sont d'une très grande efficacité énergétique et contribueront à réduire fortement l'empreinte carbone de l'industrie du calcul intensif.

Description du poste
Dans le cadre de notre forte croissance, nous recrutons un AI scientist
- Quantum system performance optimization pour renforcer notre équipe Systems Performance. Au sein de l'équipe System Performance, nous mesurons et optimisons les performances des QPU. Nous sommes responsables de l'implémentation et de la validation de nouvelles fonctionnalités, et nous travaillons à pousser le système à son plus haut niveau de performance. Nous ouvrons un poste dans l'équipe afin de démarrer une nouvelle activité d'amélioration des performances atomiques des QPUs basée sur l'utilisation d'algorithmes d'IA. Dans ce cadre, vos missions principales seront :
- Contribuer à des projets transverses à l'échelle du QPU
- Collaborer étroitement avec les membres de l'équipe pour comprendre les processus physiques en jeu
- Comprendre les données atomiques prises sur les QPUs et l'impact des paramètres expérimentaux
- Analyser les performances (via le développement de modèles mathématiques et physiques simples, ainsi que de simulations) afin d'identifier les limitations majeures des designs actuels
- S'approprier les problématiques de performance et de réglage des QPU afin de proposer, développer et valider de nouvelles approches s'appuyant sur les méthodes d'IA existantes
- Contribuer à la mise en place de maintenance prédictive sur nos QPUs
- Collaborer étroitement avec les experts métiers d'autres équipes du département hardware
- Communiquer les résultats scientifiques au sein de l'équipe et à l'extérieur Contribuer à des projets transverses à l'échelle du QPU Collaborer étroitement avec les membres de l'équipe pour comprendre les processus physiques en jeu Comprendre les données atomiques prises sur les QPUs et l'impact des paramètres expérimentaux Analyser les performances (via le développement de modèles mathématiques et physiques simples, ainsi que de simulations) afin d'identifier les limitations majeures des designs actuels S'approprier les problématiques de performance et de réglage des QPU afin de proposer, développer et valider de nouvelles approches s'appuyant sur les méthodes d'IA existantes Contribuer à la mise en place de maintenance prédictive sur nos QPUs Collaborer étroitement avec les experts métiers d'autres équipes du département hardware Communiquer les résultats scientifiques au sein de l'équipe et à l'extérieur A propos de vous
- M2 en science des données / machine learning / IA ou utilisation approfondie de méthodes d'IA pendant un doctorat de physique
- Bonne maîtrise des principales méthodes de Machine Learning (régression, classification, clustering, réduction de dimension) et des architectures de Deep Learning (MLP, CNN, Transformers, autoencodeurs), ainsi que de leurs domaines d'application.
- Expérience pratique du développement et de l'entraînement de modèles de bout en bout : préparation des données, constitution des jeux d'entraînement/validation/test, entraînement sur GPU (PyTorch, JAX ou autre framework équivalent), optimisation des hyperparamètres, adaptation des architectures et losses, évaluation et analyse des performances. L'expérience du calcul distribué et de SLURM est un plus.
- Capacité à adapter les modèles ML aux contraintes de systèmes expérimentaux : données bruitées ou limitées, robustesse, latence d'inférence et intégration dans des pipelines de traitement et de contrôle.
- Toute connaissance sur l'accélération / compression de modèles est un plus
- Des connaissances en physique expérimentale sont appréciées mais non indispensables : curiosité et adaptabilité les remplaceront
- Avoir déjà implémenté un ou des modèles sur un système expérimental
- Être à l'aise dans (ou attiré par) un cadre expérimental : bricoleurs bienvenus
- Être à l'aise avec les outils de développements (Linux, git, ssh...) M2 en science des données / machine learning / IA ou utilisation approfondie de méthodes d'IA pendant un doctorat de physique Bonne maîtrise des principales méthodes de Machine Learning (régression, cl