INGENIEUR / INGENIEURE DE RECHERCHE APPRENTISSAGE AUTOMATIQUE ET IA H/F

L’ingénieur(e) de recherche a pour mission de concevoir et de développer la boîte à outils logicielle open source du projet, consacrée au transport optimal sur graphes et au traitement de graphes pour l’apprentissage automatique, et de contribuer aux travaux de recherche du projet sur les plans méthodologique, logiciel et expérimental. Les méthodes développées sont évaluées sur leur capacité à préserver les propriétés géométriques et fonctionnelles des graphes, sur leur efficacité de calcul et sur leurs applications, en collaboration avec des spécialistes de chimie et de biologie.

L’ingénieur(e) de recherche a pour mission de concevoir et de développer la boîte à outils logicielle open source du projet, consacrée au transport optimal sur graphes et au traitement de graphes pour l’apprentissage automatique, et de contribuer aux travaux de recherche du projet sur les plans méthodologique, logiciel et expérimental. Les méthodes développées sont évaluées sur leur capacité à préserver les propriétés géométriques et fonctionnelles des graphes, sur leur efficacité de calcul et sur leurs applications, en collaboration avec des spécialistes de chimie et de biologie.L’École polytechnique, communément appelée l’X, est un établissement d’enseignement supérieur et de recherche de niveau mondial.Placée sous la tutelle du ministère des Armées, l’École polytechnique est membre fondateur de l’Institut Polytechnique de Paris aux côtés de 5 Grandes Écoles : l’E.N.P.C, l’E.N.S.A.E, l’E.N.S.T.A, Télécom Paris et Télécom SudParis.Largement internationalisée, l’École polytechnique associe recherche, enseignement et innovation au meilleur niveau scientifique et technologique. Avec ses 23 laboratoires, dont 22 sont unités mixtes de recherche avec le CNRS, le centre de recherche de l’X travaille aux frontières de la connaissance sur les grands enjeux interdisciplinaires scientifiques, technologiques et sociétaux. Le poste est rattaché à l’équipe Statistiques du CMAP.A ce titre, vous assurez les missions principales suivantes :    Développement des boîtes à outils logicielles open source du projet :Contribuer à la bibliothèque POT (Python Optimal Transport) et participer à sa co-maintenance•  Implémenter des méthodes de traitement de graphes fondées sur le transport optimal, intégrées à POT ou à PyTorch Geometric•  Concevoir les exemples, les tutoriels et la documentation associés•  Organiser un sprint de développement avec les collaborateurs du projetContribution aux lots de travail de recherche, en interaction avec les chercheurs :•  Formuler les problèmes de recherche et les algorithmes sur les plans méthodologique et mathématique•  Concevoir et mettre en œuvre les expériences numériques sur données simulées et réelles•  Exécuter les expériences sur les calculateurs locaux et les supercalculateurs nationaux•  Analyser les résultats et rédiger un article de comparaison (benchmark) destiné à une conférence internationale d’apprentissage automatique Contraintes particulières : déplacements ponctuels en France et à l’étranger pour les réunions du projet et les conférences scientifiquesSoucieuse d'attirer les meilleurs talents au sein de ses équipes d'enseignements et de recherche, de son personnel et d'amener toujours plus d'élèves vers ses formations d'excellence, l'École polytechnique est résolument engagée en faveur de la diversité, de l'égalité Femmes-Hommes et de l’inclusion. Elle s’engage dans son processus de recrutement à étudier toutes les candidatures sans aucune forme de discrimination. Le CMAP est le centre de mathématiques appliquées de l’École polytechnique. Il s’agit d’une unité mixte de recherche du CNRS, de l’École polytechnique et d’Inria, implantée sur le campus de l’École polytechnique à Palaiseau (Essonne).Nous recherchons un/une ingénieur(e) de recherche afin de soutenir le projet ATLAS, lauréat d’un Hi! Paris Synergy Fellowship (projet collaboratif entre l’École polytechnique et Télécom Paris). Ce projet est consacré à l’apprentissage sur graphes au-delà des réseaux de neurones sur graphes (GNN), selon trois axes : la modélisation des graphes comme espaces métriques mesurés à l’aide de la distance de Fused-Gromov-Wasserstein ; la construction de représentations vectorielles de graphes fondée sur la théorie des espaces de Hilbert à noyau reproduisant (RKHS) ; le plongement des graphes sous forme de distributions empiriques dans un espace euclidien ou un RKHS, en préservant l’équivariance et l’invariance par transformation.