Vos missions en quelques mots Missions : Le ou la candidat·e retenu·e développera un cadre computationnel appliqué pour modéliser et piloter des processus de morphogenèse à l’aide d’approches d’apprentissage par renforcement, en particulier dans des contextes multi-agents où les cellules sont représentées comme des agents interagissant dans des environnements simulés 2D/3D. L’objectif sera de concevoir, implémenter et évaluer des stratégies d’apprentissage permettant de guider l’émergence de structures tissulaires cibles sous contraintes mécaniques et biologiques. Le poste aura une forte composante de développement méthodologique et logiciel, avec une articulation étroite entre simulations, apprentissage machine et interaction avec des données ou questions biologiques concrètes. Selon l’avancement du projet, ces développements pourront être étendus à des questions de biologie synthétique du développement, notamment pour la conception in silico de règles de contrôle ou de circuits guidant l’auto-organisation multicellulaire Activités : Ses activités principales seront de : • Développer des environnements de simulation de morphogenèse adaptés à l’apprentissage par renforcement, en lien avec des modèles multicellulaires basés sur agents et des contraintes mécaniques/biophysiques. • Concevoir et implémenter des approches d’apprentissage par renforcement, idéalement multi-agent, pour apprendre des politiques cellulaires conduisant à des formes, organisations ou dynamiques collectives cibles. • Définir et tester des fonctions objectif et signaux de récompense pertinents pour des problèmes de morphogenèse, par exemple liés à la forme finale, à la robustesse, à la stabilité, à la segmentation, ou à des propriétés d’organisation spatiale. • Mettre en place des stratégies pratiques pour traiter des difficultés classiques du RL dans ce contexte, notamment récompenses rares, stochasticité biologique, coût de calcul élevé, transfert entre simulations rapides et modèles plus réalistes. • Construire et maintenir une chaîne de calcul reproductible : pipelines de simulation, entraînement, évaluation, suivi d’expériences, visualisation, benchmarks et documentation logicielle. • Contribuer à l’intégration, à l’optimisation et à la parallélisation des codes sur ressources HPC/GPU, dans un cadre de recherche computationnelle intensive. • Interagir étroitement avec les biologistes, biophysicien·nes et profils computationnels de l’équipe pour orienter les développements vers des questions biologiques pertinentes. • Participer à la valorisation scientifique du projet : rédaction de documentation, dépôts logiciels, figures, présentations, et contribution à des publications. • Selon l’évolution du projet, contribuer à des développements exploratoires liés à la biologie synthétique du développement et à la conception inverse de comportements collectifs ou de circuits de contrôle pour tissus synthétiques. Contexte de travail : Le ou la candidat·e Voir plus sur le site emploi.cnrs.fr Profil recherché Competences : Compétences indispensables : • Expertise en apprentissage automatique, et plus particulièrement en apprentissage par renforcement (niveau doctorat) ; une expérience en RL multi-agent serait particulièrement appréciée. • Excellent niveau en programmation scientifique, idéalement en Python. • Très bonne maîtrise d’environnements de calcul et de machine learning scientifique : NumPy/SciPy, PyTorch, JAX ou équivalents. • Maîtrise de l'anglais courant et scientifique • Expérience de développement logiciel pour la recherche : Git, tests, gestion d’environnements, reproductibilité, documentation, packaging. • Compétences en calcul haute performance ou volonté de monter rapidement en compétence : exécution sur cluster, scripts, parallélisation CPU/GPU, gestion d’expériences à grande échelle. • Capacité à prototyper, comparer et valider des approches algorithmiques sur des problèmes complexes. • Capacité à travailler dans un cadre interdisciplinaire à l’interface entre modélisation, IA et biologie. Compétences appréciées : • Compétences spécifiques en reinforcement learning profond : policy gradients, actor-critic, exploration, reward shaping, curriculum learning, apprentissage hiérarchique, offline RL ou model-based RL. • Intérêt pour la morphogenèse, la biophysique des tissus, la mécanique, ou plus largement la modélisation du vivant. • Expérience avec des données spatio-temporelles 3D, graphes dynamiques, GNN, ou outils d’analyse d’images biologiques. Savoir-être • Goût pour le travail interdisciplinaire. • Autonomie, rigueur et sens de l’organisation. • Intérêt pour le développement logiciel propre, partagé et reproductible. • Capacité à échanger avec des interlocuteurs de profils variés : biologie, physique, informatique, mathématiques appliquées. • Bonnes capacités de communication scientifique à l’écrit comme à l’oral. Contraintes et risques : Aucun risque identifié. Temps complet, télétravail possible : 1 jour/semaine. Niveau d'études minimum requis Niveau Niveau 8 Doctorat/diplômes équivalents Spécialisation Sciences naturelles (biologie-géologie) Langues Français Seuil
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.