Ce projet de recherche postdoctorale s'inscrit dans le cadre d'un projet quinquennal financé par l’Europe (ERC) et intitulé CARINE (Coherent diffrAction foR a Look Inside NanostructurEs towards atomic resolution: catalysis and interfaces), qui vise à développer et à appliquer de nouvelles techniques d'imagerie par diffraction cohérente (CDI). Nous voulons développer et appliquer des approches d'apprentissage automatique et, plus généralement, de science des données pour l'imagerie et la caractérisation des systèmes à l'échelle nanométrique. L'imagerie par diffraction cohérente des rayons X est un nouvel outil puissant pour sonder la structure des nanomatériaux de manière non destructive avec une résolution spatiale de 10 nm. Le problème de reconstruction, connu sous le nom "d’inversion de phase", est généralement résolu par des algorithmes itératifs qui ne convergent pas toujours. L'apprentissage automatique sera appliqué à différentes tâches telles que la récupération de phase, la super-résolution, le déroulage de phase, etc., afin d'inverser sans ambiguïté les clichés de diffraction et d'imager la structure d'un objet 3D avec une résolution de l'ordre du nm.

Le travail sera effectué en étroite collaboration avec la ligne de lumière ID01 du Synchrotron européen (ESRF), une installation de pointe en matière de rayons X située à Grenoble (France). Le candidat appliquera l'apprentissage automatique :

- aux différentes tâches du processus de récupération de phase, comme par exemple la récupération de phase, la super-résolution, le débruitage, le déroulage de phase,

- pour identifier les caractéristiques des diagrammes de diffraction, comme les défauts cristallographiques ^[1].

- récupérer directement la phase manquante et/ou l'objet reconstruit à partir de l'intensité mesurée,

- évaluer les algorithme savec des ensembles de données réelles collectées à l'ESRF et fournir une analyse des améliorations de performance.

^[1] B. Lim, E. Bellec, M. Dupraz, et al., A Convolutional Neural Network for Defect Classification in Bragg Coherent X-Ray Diffraction, Npj Comput. Mater. 7, 1 (2021)

Le candidat doit être titulaire d'un doctorat en informatique, physique ou en science des matériaux ou dans un domaine étroitement lié. Nous attendons du candidat qu'il ait un intérêt général pour l'informatique et l'apprentissage automatique, ainsi qu'une bonne formation en physique et en mathématiques (algèbre linéaire, méthodes numériques, statistiques). Le candidat doit avoir de très bonnes compétences en programmation (Python). Il/elle devrait avoir de bonnes compétences interpersonnelles, de communication, d'organisation et de présentation. La langue de travail est l'anglais.

Contrat
Il s'agit d'un contrat de 18 mois situé à Grenoble (ESRF) avec la possibilité d'une extension de 18 mois.
Les candidats intéressés doivent soumettre :
(1) une lettre de motivation d'une page indiquant la motivation, l'expérience et les objectifs de recherche, et la date de disponibilité prévue ;
(2) un curriculum vitae, et
(3) les coordonnées de trois références (les lettres de référence ne sont pas requises pour le moment).
à Marie-Ingrid Richard .