Grand établissement public d'enseignement supérieur, pôle de recherche reconnu, élément fondateur de l'écosystème grenoblois : Grenoble INP, l'institut d'ingénierie et de management de l’Université Grenoble Alpes (UGA), occupe une place de premier plan dans la communauté scientifique et industrielle.
Grenoble INP - UGA est membre de réseaux internationaux de formation et recherche en ingénierie et management.
Il est reconnu dans les classements nationaux et internationaux.
Gipsa-lab (Grenoble Images Parole Signal Automatique) est une unité mixte de recherche de Grenoble INP - UGA, de l'Université Grenobles Alpes et du CNRS, spécialisée dans le domaine des recherches théoriques et appliquées sur l’automatique, le signal, les images, la parole, la cognition, la robotique et l’apprentissage.
Pluridisciplinaire et à l’interface entre l’humain, les mondes physiques et numériques, ses recherches se confrontent à des mesures, des
données, des observations provenant des systèmes physiques, physiologiques, cognitifs.
Site internet : https://www.gipsa-lab.grenoble-inp.fr/
Are you interested in this job offer? Please click on the link below to discover our position description in English!
https://euraxess.ec.europa.eu/jobs/467175
Objectif:
Développer des méthodes d'inférence des paramètres structuraux internes de nanoparticules lipidiques à partir de mesures de diffusion des rayons X aux petits angles (SAXS), en s'appuyant sur des approches d'apprentissage parcimonieux et par dictionnaire (dictionary learning).
Contexte:
Le caractère intrinsèquement mal posé et non unique de l'inversion des signaux SAXS, combiné à la grande diversité des morphologies observées, conduit à développer des représentations capables de décomposer les profils de diffusion sur des dictionnaires de
motifs élémentaires reflétant les différentes organisations structurales des nanoparticules. Cette approche offrira un cadre naturellement interprétable pour relier la représentation par dictionnaire à des caractéristiques structurales des nanoparticules.
Le cœur du travail consistera à concevoir des méthodes d'apprentissage de dictionnaires adaptées aux données SAXS,
permettant d'extraire automatiquement des atomes représentatifs des signatures de diffusion et de reconstruire les profils expérimentaux par des combinaisons parcimonieuses, linéaires ou non.
Une attention particulière sera portée à l'intégration de contraintes physiques et biophysiques dans le processus d'apprentissage, afin de garantir que les représentations obtenues restent compatibles avec les propriétés connues des nanoparticules lipidiques. Des stratégies de dictionnaires hiérarchiques, structurés ou multimodaux pourront notamment être étudiées afin de représenter
différentes échelles d'organisation interne.
Un autre enjeu majeur réside dans la disponibilité limitée de données annotées. Il conviendra ainsi d'explorer des stratégies d'apprentissage semi-supervisé ou auto-supervisé des dictionnaires, combinant simulations numériques, données expérimentales et connaissances a priori issues de la physique de la diffusion. Ces approches devront également être robustes au bruit de mesure, aux variations instrumentales et aux changements de domaine induits par les différentes formulations pharmaceutiques, afin d'assurer une bonne capacité de généralisation sur des données acquises dans des contextes variés.
Niveau minimum requis Bac + 8: Doctorat en traitement du signal et des images / apprentissage statistique / intelligence artificielle / problèmes inverses ou domaines connexes.
Compétences:
- Solides connaissances théoriques et pratiques en traitement du signal et des images, apprentissage statistique et méthodes d’optimisation
- Expérience dans le développement et la résolution de problèmes inverses, idéalement dans le contexte de données scientifiques ou expérimentales
- Maîtrise de la programmation scientifique, notamment en Python, ainsi que des outils d’analyse et de traitement de données
- Capacité à développer, implémenter et évaluer des méthodes innovantes dans un contexte de recherche
- Autonomie dans la conduite d’un projet scientifique, de la formulation du problème jusqu’à la validation des approches développées
- Capacité à travailler dans un environnement interdisciplinaire, en interaction avec des experts des domaines applicatifs
- Aptitudes à la communication scientifique, à la rédaction d’articles et à la présentation des résultats