Doctorant en Informatique

Il y a 14 heures

Villeurbanne, Auvergne-Rhône-Alpes, France CNRS Temps plein

Gratuit avec email ou Google

Enregistrez cette offre et organisez votre recherche

Créez un compte gratuit pour enregistrer des offres d'emploi, créer des alertes et revenir à cette liste depuis votre tableau de bord.

Enregistrer le travail Enregistrer et créer une alerte Postuler

Gratuit avec email ou Google

Vos missions en quelques mots

Sujet de thèse :
Le projet GEOLIANT (France 2030) vise à développer un outil d'intelligence artificielle pour accélérer la conception de formulations géopolymères, en prédisant leurs propriétés techniques (porosité, résistance mécanique, durabilité), environnementales (analyse de cycle de vie) et économiques (coût, viabilité), et en identifiant de façon bidirectionnelle des formulations candidates à partir de propriétés cibles souhaitées.

Les analyses actuellement disponibles sur les données du projet — qu'elles soient issues des partenaires, de la littérature, ou augmentées/générées par d'autres travaux du projet — permettent d'identifier des corrélations entre paramètres de formulation (composition des précurseurs, ratios Na₂O/SiO₂, conditions de cure) et propriétés du matériau, mais ne suffisent pas à garantir la fiabilité des recommandations de conception : une corrélation ne permet pas de savoir si modifier un paramètre changera réellement une propriété. Cette limite est d'autant plus critique que l'objectif final du projet — la conception inverse de formulations à partir de propriétés cibles — repose implicitement sur des relations causales.

L'objectif de la thèse est de développer des méthodes d'inférence causale explicable sur le datalake propriété-graphe du projet, afin d'identifier les relations causales (et non simplement corrélationnelles) entre paramètres de formulation et propriétés du matériau, et de produire des modèles de prédiction dont les résultats soient interprétables par les experts du domaine. Les travaux porteront notamment sur la découverte causale à partir de données observationnelles hétérogènes et partiellement incomplètes, la représentation de chaînes causales sous forme de chemins dans le graphe de propriétés, et la production d'explications exploitables aussi bien pour la prédiction directe (formulation → propriétés) que pour la conception inverse (propriétés cibles → formulations candidates).

Le/la doctorant·e s'appuiera sur le datalake propriété-graphe du projet et travaillera en lien étroit avec les autres doctorant·e·s du projet, les modèles causaux et prédictifs développés s'appuyant directement sur les données consolidées et augmentées produites par ailleurs. Les travaux combineront inférence causale, apprentissage automatique explicable, apprentissage sur graphes, et une forte dimension interdisciplinaire avec les experts en science des matériaux du consortium (LMDC), nécessaire pour valider la plausibilité physico-chimique des relations causales identifiées.
Contexte :
La thèse s'inscrit dans le cadre du projet GEOLIANT, soutenu par BPI France dans le programme France 2030, visant à développer et industrialiser des liants géopolymères bas-carbone à partir de déchets de chantier, en alternative durable au ciment traditionnel fortement émetteur de CO₂. Le projet repose sur le développement de formulations innovantes et sur la mise en place d'outils numér
Voir plus sur le site emploi.cnrs.fr...

Profil recherché

Contraintes et risques :
Thèse menée dans le cadre d'un projet collaboratif multi-partenaires, impliquant des contraintes de coordination, de planification et de dépendance aux contributions des partenaires.

Dépendance à la qualité et à la disponibilité des données consolidées et augmentées par ailleurs dans le projet (données partenaires, littérature extraite, données générées), dont l'hétérogénéité et le caractère partiellement incomplet conditionnent directement l'identifiabilité et la robustesse des modèles causaux.

Risque inhérent à l'inférence causale à partir de données observationnelles : absence de garantie a priori d'identifiabilité causale en présence de facteurs de confusion non observés, nécessitant des hypothèses explicites et une validation itérative avec les experts en science des matériaux du consortium.

Difficulté à évaluer la validité causale et la qualité des explications produites dans un domaine où les mécanismes physico-chimiques sous-jacents ne sont pas toujours entièrement établis, pouvant nécessiter des choix méthodologiques et techniques évolutifs (algorithmes de découverte causale, méthodes d'explicabilité).

Nécessité d'un équilibre entre automatisation par l'IA et validation humaine, pouvant allonger certaines phases expérimentales.

Contraintes liées aux jalons et livrables contractuels du projet financé par BPI France / France 2030.

Interdisciplinarité du sujet, demandant un temps d'appropriation des notions en science des matériaux et en génie civil.

Déplacements ponctuels possibles pour réunions, ateliers ou validations chez les partenaires du projet.

Doctorant en Informatique

Enregistrez cette offre et organisez votre recherche

Vos missions en quelques mots

Profil recherché

Niveau d'études minimum requis

Langues

Emplois similaires à Villeurbanne

Offres similaires

Amériques

Europe

Asie / Océanie

Afrique

Doctorant en Informatique

Enregistrez cette offre et organisez votre recherche

Vos missions en quelques mots

Profil recherché

Niveau d'études minimum requis

Langues

Emplois similaires à Villeurbanne

Offres similaires