Post-Doctorant Optimisation Stochastique Non Lisse par Méthodes de Premier Ordre H/F - INRIA

A propos d'Inria

Inria, l'institut national de recherche dans les sciences et technologies du numérique, est en appui de l'État pour les stratégies nationales de recherche et d'innovation du numérique en tant qu'Agence de programmes. Inria mène plus de 300 projets de recherche et d'innovation avec ses 3500 scientifiques, ingénieurs et personnels d'appui, en partenariat avec les universités et l'écosystème numérique (entreprises, entrepreneurs, acteurs publics). Ensemble, nous explorons des domaines clés comme l'intelligence artificielle, la cybersécurité, l'informatique quantique, le Cloud, la transformation numérique de la santé, les jumeaux numériques ou encore les technologies numériques pour la défense. Nous construisons des solutions concrètes telles que des logiciels, des startups technologiques, des partenariats avec les entreprises du tissu national et des formations de pointe. Notre objectif : l'impact scientifique, technologique et industriel au service de la souveraineté numérique de la France.

Post-Doctorant F/H Optimisation stochastique non lisse par méthodes de premier ordre

Type de contrat : CDD

Niveau de diplôme exigé : Thèse ou équivalent

Fonction : Post-Doctorant

Niveau d'expérience souhaité : Jeune diplômé

A propos du centre ou de la direction fonctionnelle

Le Centre Inria de l'Université Grenoble Alpes, regroupe un peu moins de 450 personnes réparties au sein de 26 équipes de recherche et 9 services support à la recherche.

Son effectif est distribué sur 3 campus à Grenoble, en lien étroit avec les laboratoires et les établissements de recherche et d'enseignement supérieur (Université Grenoble Alpes, CNRS, CEA, INRAE, ...), mais aussi avec les acteurs économiques du territoire.

Présent dans les domaines du calcul et grands systèmes distribués, logiciels sûrs et systèmes embarqués, la modélisation de l'environnement à différentes échelles etla science des données et intelligence artificielle, le Centre Inria de l'Université Grenoble Alpes participe au meilleur niveau à la vie scientifique internationale par les résultats obtenus et les collaborations tant en Europe que dans le reste du monde.

Contexte et atouts du poste

Le postdoctorat sera réalisé dans une collaboration entre l'équipe Inria GHOST et l'équipe DAO du LJK. Il sera financé par la chaire Structured Optimization and Learning du cluster MIAI.

L'objectif est d'analyser et d'approfondir notre compréhension des algorithmes d'optimisation adaptatifs, dont les hyperparamètres, tels que le pas, sont mis à jour automatiquement à partir de l'information accumulée tout au long du processus d'apprentissage. Cette famille englobe de nombreux algorithmes importants, tels qu'AdaGrad, RMSProp, Adam et d'autres variantes apparentées, qui jouent un rôle majeur dans le développement théorique et empirique de l'optimisation numérique. Alors qu'une grande partie des travaux existants porte sur la dynamique de ces algorithmes dans le cadre de l'optimisation lisse, nous visons à élargir notre compréhension de ces algorithmes dans le contexte de l'optimisation stochastique non convexe et non lisse. De tels résultats permettront de combler l'écart entre la frontière théorique actuelle et de nombreuses applications pratiques dans lesquelles les fonctions objectif sous-jacentes ne sont ni convexes ni lisses, et où les estimations du gradient peuvent être bruitées.

Mission confiée

La personne recrutée collaborera avec Mathieu Besançon (Inria, LIG), Quoc-Tung Le (UGA, LJK) et Jérôme Malick (CNRS, LJK).

Pour une meilleure connaissance du sujet de recherche proposé :

Certains algorithmes importants étudiés dans le cas lisse sont actuellement mal compris lorsqu'ils sont appliqués à des problèmes non lisses. L'une des questions de recherche portera sur la définition d'une classe de problèmes proche des modèles d'apprentissage, sur laquelle les algorithmes non lisses peuvent être analysés.

Le ou la chercheur(se) postdoctoral(e) sera amené(e) à mener des recherches sur les algorithmes de type AdaGrad dans le cadre non lisse.

Collaboration : Des collaborations seront possibles durant la thèse avec le Zuse Institute Berlin et l'Institut Mathématique de Toulouse avec lesquels les encadrants collaborent déjà.

Principales activités

Principales activités :

• Identifier des conditions nécessaires et/ou suffisantes garantissant la convergence des algorithmes adaptatifs.
• Étudier la robustesse des méthodes d'optimisation, c'est-à-dire analyser leurs propriétés qualitatives et quantitatives sous l'effet du bruit, de l'initialisation et du pas initial.
• Comparer ces propriétés des algorithmes adaptatifs à celles des méthodes classiques, telles que la descente de gradient (stochastique).
• Établir une typologie de problèmes d'optimisation structurés pour lesquels les algorithmes adaptatifs surpassent nettement les autres familles de méthodes.

Activités complémentaires :

- Diffuser les résultats au moyen d'articles, de séminaires et de conférences.

Compétences

Connaissances fondamentales en optimisation numérique, en particulier avec les méthodes de premier ordre.

Compétences en programmation scientifique (Julia, Python) pour la validation numérique des algorithmes.

Avantages

• Restauration subventionnée
• Transports publics remboursés partiellement
• Congés: 7 semaines de congés annuels + 10 jours de RTT (base temps plein) + possibilité d'autorisations d'absence exceptionnelle (ex : enfants malades, déménagement)
• Possibilité de télétravail et aménagement du temps de travail
• Équipements professionnels à disposition (visioconférence, prêts de matériels informatiques, etc.)
• Prestations sociales, culturelles et sportives (Association de gestion des oeuvres sociales d'Inria)
• Accès à la formation professionnelle
• Participation employeur mutuelle santé et prévoyance (sous conditions)

Rémunération

2927€ brut par mois (hors prélevement à la source)

• Python
• Intelligence artificielle