Offre de these

contacter : Xavier Luciani (luciani@univ-tln.fr), Roland Redon (roland.redon@mio.osupytheas.fr)

(English description in the attached pdf) Le démélange de signaux est un domaine important du traitement du signal et répond à un problème que l’on rencontre dans de nombreuses applications de la physique et des sciences de l’ingénieur, pour lequel les signaux observés sont vus comme des mélanges de signaux sources d'intérêt que l’on cherche à estimer. Dans le cas des signaux discrets qui nous intéresse ici, les décompositions tensorielles fournissent un cadre théorique naturel pour le démélange de signaux multidimensionnels (c’est-à-dire variant en fonction d’au moins trois variables, on parle également de signaux multivariés) ainsi qu’un ensemble d’outils algorithmiques. Ce type d’approche a notamment été appliqué avec succès en spectroscopie, pour le démélange de signaux de fluorescence. Cette thèse sera l’occasion 1) d’envisager des scénarios de mélange plus généraux et d’en déduire les modèles de décomposition tensorielle sous-jacents 2) développer des algorithmes de calcul spécifiques à ces décompositions 3) les appliquer à des données réelles issues de la spectroscopie de fluorescence

Application by mail to paul.chauchat@lis-lab.fr, mustapha.ouladsine@lis-lab.fr, stephane.delliaux@univ-amu.fr . The application must include a resume, an application letter, and grade transcripts (at least for both years of the master\\\\\\\\\\\\\\\'s degree). See the document for the preferred candidate profiles. Note that candidates must \\\\\\\\\\\\\\\"not\\\\\\\\\\\\\\\" be enrolled at AMU for this funding.

This interdisciplinary thesis in data science and health aims at exploiting the recently acquired test efforts dataset of Assistance Publique - Hôpitaux de Marseille, in order to better model homeostasis. This knowledge will help providing improved decision making tools to the medical staff.

The position is expected to start in September 2024 for a duration of 3 years. Please send a copy of your CV (1 page), a 2-page motivation letter, academic transcripts, and contact details (name/email/institution) of two academic references to ravi.kunjwal@lis-lab.fr. The letters of reference should be sent directly by the letter writers to ravi.kunjwal@lis-lab.fr by the application deadline. The deadline for sending the complete application (including references) is April 30, 2024. Shortlisted candidates will be invited to a remote interview in May before a final offer is made.

Applications are invited for a PhD position on quantum causality, focussing on the characterization of nonclassicality in the presence of (definite and) indefinite causal order. The position is funded by the QuanTEdu-France (France 2030) project at Aix-Marseille Université in the Calcul Naturel (CANA) team of the computer science lab, Laboratoire d’Informatique et des Systèmes (LIS). The project will be supervised by Ravi Kunjwal (Marseille) with co-supervision by Ognyan Oreshkov (Brussels). Please see the attached PDF for more details on the PhD project. The interested candidate must be well-versed in the fundamentals of quantum information theory at the Master level, whether in computer science, physics, or related disciplines. Previous research experience in quantum information and/or familiarity with research on quantum causality is desirable.

Please, send an email to leonor.becerra@lis-lab.fr and blache@ilcb.fr. Please, ensure that you upload the following additional documents: • Resume • Application letter, including your applicability to aforementioned selection criteria • Grade list (preferably for both bachelor\'s degree and master\'s degree) • Examples of Scientific Writing (e.g., scientific publication or master’s thesis) • Reference letters. Only applications received before May 15th, 23:59 can be considered

We offer a 3-year PhD fellowship in Computer Science. This interdisciplinary project proposes to apply multimodal and deep learning approaches for the study of human interaction and its brain basis.

Profil recherché : La personne recherchée devra être titulaire d'un Master 2 ou un diplôme d'ingénieur avec de solides compétences en informatique (notamment en algorithmique et programmation), en optimisation combinatoire et en intelligence artificielle et/ou recherche opérationnelle. Une expertise en programmation par contraintes sera un plus apprécié. Dépôt de candidature : Les pièces demandées pour la candidature sont les suivantes : - CV (au plus 3 pages), - Relevés de notes, résultats et classements du dipl\^ome de Master ou équivalent (première et deuxième années), - Lettre de motivation, Les candidatures doivent être déposées au plus tard le 30 juin 2022 sous la forme d'un unique fichier pdf envoyé par courriel à nicolas.prcovic@univ-amu.fr.

Cette thèse s'inscrit dans le cadre du projet Transformation Numérique du Transport Maritime (TNTM) financé par le PIA (Programme d'Investissement pour l'Avenir). Ce projet est porté par la CMA CGM, l'un des leaders mondiaux dans le secteur du transport maritime, avec un consortium de 8 partenaires (5 partenaires industriels et 3 partenaires académiques). L'objectif de cette thèse est le développement d'algorithmes de recherche d'un meilleur trajet d'un navire qui prend en compte le temps du trajet, la consommation de carburant, la sécurité du navire, etc, dans un contexte où les conditions du trajet (courants marins, météo) dépendent des dates et peuvent être incertaines et aussi évolutives (plus de détails dans le fichier ci-joint). Les travaux de cette thèse seront réalisés à l'Université d'Aix-Marseille au Laboratoire d'Informatique et Systèmes et au sein de l'équipe COALA (https://www.lis-lab.fr/coala/).

Contact thierry.artieres@lis-lab.fr

Multiple doctoral grants are available in the QARMA team for PhD starting on September 2022: - Multimodal Fair Learning - Machine Learning and deep Learning for Astrophysics - Deep Learning for understanding sound representations in the brain - Studying neuronal bases of voice information processing with machine learning More details on https://qarma.lis-lab.fr/open-positions/phd-offers-starting-september-2022/

Contact thierry.artieres@lis-lab.fr

Multiple doctoral grants are available in the QARMA team for PhD starting on September 2022: - Multimodal Fair Learning - Machine Learning and deep Learning for Astrophysics - Deep Learning for understanding sound representations in the brain - Studying neuronal bases of voice information processing with machine learning More details on https://qarma.lis-lab.fr/open-positions/phd-offers-starting-september-2022/

La personne recherchée devra être titulaire d'un Master 2 ou un diplôme d’ingénieur avec de solides compétences en informatique (notamment en algorithmique et programmation), intelligence artificielle, programmation par contraintes, optimisation combinatoire et/ou recherche opérationnelle. Une expertise en modélisation sera un plus apprécié. Les candidatures doivent être déposées avant le 12 juillet 2022 sous la forme d'un unique fichier pdf envoyé par courriel à Cyril Terrioux (cyril.terrioux@univ-amu.fr).

Cette thèse porte sur le développement d'algorithmes d'optimisation permettant de définir le design optimal d'un réseau maritime. Elle s'effectuera en partenariat avec la CMA CGM dans le cadre du projet Transformation Numérique du Transport Maritime (TNTM) financé par le PIA (Programme d'Investissement pour l'Avenir).

Pour candidater, veuillez envoyer votre CV, relevés de notes avec qualifications et informations pertinentes, à Thanh Phuong NGUYEN (tpnguyen@univ-tln.fr) et Yassine ZNIYED (zniyed@univ-tln.fr). Compétences attendues : Un candidat autonome et très motivé est sollicité avec un fort intérêt pour le domaine des méthodes mathématiques avancées appliquées au traitement du signal et l’apprentissage automatique. Une formation solide en traitement du signal, mathématiques appliqués, machine learning ou informatique. Une bonne maîtrise des algorithmes d’apprentissage automatique, notamment les réseaux de neurones. De bonnes compétences en programmation python sont requises. La connaissance des frameworks d\\\'apprentissage (PyTorch, tensorflow, tensorly, etc.) est un plus souhaitable. Le candidat doit avoir de bonnes capacités en communication orale et écrite.

Dans le cadre de cette thèse, nous nous concentrerons sur la compression des réseaux de neurones en réduisant les besoins en stockage, en consommation d'énergie, et complexité de calcul dans la phase d'inférence des réseaux de neurones sans que cela n'affecte leur précision.

Profil du candidat : • Titulaire d’un master 2 ou diplôme d’ingénieur en informatique • Solides compétences en apprentissage automatique (machine learning) • Solides compétences en programmation objet et bases de données (python est un plus) • Bonne expérience en statistiques • Connaissances sur les SIG • Bonne communication orale et écrite en français et anglais Les candidatures doivent être adressées à : etienne.thuillier@univ-amu.fr, sana.sellami@univ-amu.fr et omar.boucelma@univ-amu.fr -CV détaillé -Lettre de motivation -Détails des deux derniers relevés de notes (notamment M1 et M2) -Lettres de recommandation

Le contexte scientifique de cette thèse relève du Trajectory (Data) Mining, i.e., un ensemble de techniques visant à explorer, analyser, et fouiller des données spatio-temporelles issues des trajectoires d’objets mobiles. L'objectif de cette thèse est de développer des modèles pour l'identification des ZOI et leur emprise spatiale à partir des trajectoires spatio-temporelles des conteneurs et la classification de ces ZOI en fonction des informations contextuelles et des connaissances métier de notre partenaire industriel dans le projet TNTM.

Le candidat doit être titulaire d’un diplôme d’ingénieurs ou d’un Master (M2) en automatique, sciences des données, mathématiques ou informatique avec de bonnes connaissances en Machine learning ainsi que la maîtrise des approches. Contacts : Hassan NOURA (hassan.noura@lis-lab.fr) Guillaume GRATON (guillaume.graton@lis-lab.fr) El Mostafa EL ADEL (el-mostafa.el-adel@lis-lab.fr)

Cette thèse s’inscrit dans le cadre du projet TNTM (Transformation Numérique du Transport Maritime) inscrit au PIA (Programme d'Investissements d'Avenir). Ce projet a pour but de répondre à plusieurs problématiques inhérentes au transport maritime avec • l’optimisation des différentes étapes de la partie maritime de la chaîne logistique, à savoir l’affectation optimale d’une flotte de navires sur un réseau, le remplissage optimal de conteneurs dans un navire, le routage optimal de navires en prenant en compte les contraintes environnementales ; • l’utilisation de données de monitoring pour améliorer les performances navires ; • l’optimisation des flux logistiques grâce aux données (IoT) conteneurs. Cette thèse se focalisera sur la performance des navires.

The candidate should have a master degree (M2) or engineering diploma with strong training (and ideally research experience) in machine learning and more specifically deep-learning models of NLP and Computer Vision. Genuine interest in Cognitive Science is a bonus. The applications should be sent before the end of April 2022 (see pdf for the required documents). But the earlier applications will enjoy better odds of being selected. Applications (and inquiries) should be sent to Abdellah Fourtassi (abdellah.fourtassi@univ-amu.fr)

The broad goal of the PhD researcher is to lead the development of deep learning models of child multimodal communication using Zoom recordings of children and their parents across several cultures. Our team is interested in studying children's learning of various conversational skills including turn-taking dynamics, mechanisms of building shared understanding (i.e., communicative grounding), multimodal synchronization, and discourse coherence/contingency. We are also interested in the application of this research both to help design more effective clinical interventions (for children with communicative difficulties) and to build child-oriented conversational AI. The selected candidate can focus on one or several of these dimensions, defining a research program together with the main advisor. More information in this link https://cocodev1.gitlab.io/website/2022/02/27/phd-model

Les dossiers de candidature sont à envoyer pour le 2 mai. Voir détails dans l'offre.

Voici une offre de thèse en machine learning sur le thème "Frugal Models and Algorithms for Machine Learning", coencadrée par Valentin Emiya (Qarma, LIS) et Caroline Chaux (I2M). Détails de l'offre: https://bit.ly/2RUbeuG .

• Graduated or graduating in relevant disciplines (automatic control/electrical engineering/computer science); • Great academic score; • Solid background and/or research experiences in automatic control and/or machine learning; • Great interest in electric vehicles and artificial intelligence; • Good master of Matlab and Python; • Solid skills on experimental manipulations (electromechanical systems, power converters, embedded control systems, etc…); • Fluent English, oral and written communications (meetings, seminars, conferences) • Self-learning ability, autonomy, initiative.

Fuel cell electric vehicles (FCEV) has been considered as one of the ideal alternatives of various vehicles thanks to the attractive properties such as high power density, high efficiency and zero on-board emission. Despite the advantages, fuel cells (FCs), as principle power sources in FCEVs, are still suffering from low durability which is considered as the bottleneck of the FCEVs. From some recent studies, it is found that the low FC durability, in most cases, has been due to the system operation issues rather than the problems in the FCs themselves. With this in mind, it is necessary to operate FCs properly and in favour of the FC durability enhancement. Due to the complex physical and chemical processes and the highly uncertain FC operating conditions, the access of FC internal degradation state and the prediction of its evolution, which are two key elements for optimizing FC operation, have been considered as two challenging issues. This PhD project is therefore oriented to developing tools to handle the prognostics and health management (PHM) for FCEVs. Specifically, the objective of the PhD project is twofold: 1) develop AI-assisted self-cognizant tools to identify and predict FC intrinsic degradation indices; 2) develop a control-oriented self-adaptable model for FC systems targeting at durability enhancement control. This PhD project is a part of project DEAL (https://deal.lis-lab.fr/) funded by French National Research Agency (ANR). The PhD work will be carried out in two CNRS labelled laboratories: LIS (CNRS 7020) located in Marseille and FEMTO-ST (CNRS 6174) in Belfort.

• Graduated or graduating in relevant disciplines (automatic control/electrical engineering/computer science); • Great academic score; • Solid background and/or research experiences in automatic control and/or machine learning; • Great interest in electric vehicles and artificial intelligence; • Good master of Matlab and Python; • Solid skills on experimental manipulations (electromechanical systems, power converters, embedded control systems, etc…); • Fluent English, oral and written communications (meetings, seminars, conferences) • Self-learning ability, autonomy, initiative.

Battery based electric vehicles (EVs) suffer from long recharging cycle, heavy weight, and limited driving range which have been considered as the essential limits of battery and cannot be perfectly resolved. Compared with battery based EVs, fuel cell (FC) EVs, with shorter repose (recharging) time, lighter weight, less well-to-wheels energy consumption (within the same driving range), have been considered as one of the ideal alternatives of various vehicles. Despite the advantages, FCs, as principle power sources in FCEVs, are still suffering from low durability which is considered as the bottleneck of the FCEVs. Among various solutions, optimizing FC system control is a key factor for improving FC durability. This PhD project aims at improving the durability of FCs applied in heavy-duty vehicles by exploring self-cognizant optimal control. To achieve this, the thesis will generally involve twofold work: 1) develop online learning function for FC system model in consideration of FC degradation and the uncertainty of operating conditions; 2) develop learning-based durability enhancement control. This PhD project is a part of project DEAL (https://deal.lis-lab.fr/) funded by French National Research Agency (ANR). The PhD work will be carried out in two CNRS labelled laboratories: LIS (CNRS 7020) located in Marseille and FEMTO-ST (CNRS 6174) in Belfort.