Ce poste en CDD d'une durée de 24 mois est proposé dans le cadre du projet européen consacré à la caractérisation et à la modélisation des matériaux avancés. L'objectif principal du projet est de réduire le temps, les coûts et les risques dans le développement et l'optimisation de matériaux avancés durables qui répondent aux besoins de l'industrie manufacturière de l'UE. Les principaux domaines couverts par le projet sont les matériaux pour la construction, pour l'énergie et pour la mobilité, qui sont respectivement déclinés en trois cas d'utilisation : les matériaux cimentaires, les piles à oxyde solide (SOC) et les piles à combustible à membrane échangeuse de protons (PEMFC). Des informations spécifiques sont disponibles sur le site web dédié : https://he-matchmaker.eu/.
Une étape critique dans le développement et l'optimisation de ces matériaux est leur caractérisation rapide et précise, qui nécessite de répondre à des besoins spécifiques en fonction de l'application.

Votre mission se concentrera plus particulièrement sur les cas d'utilisation SOC et PEMFC. Pour ces deux applications, la caractérisation des électrodes est réalisée soit en 2D à l'aide d'un microscope électronique à balayage (MEB) ou d'un microscope électronique à transmission (MET), soit en 3D à l'aide d'un FIB-SEM ou d'une tomographie électronique. 

Il convient de noter que les acquisitions 3D nécessitent un grand nombre de projections 2D de bonne qualité, ce qui allonge le temps de mesure. L'analyse des images 2D peut également prendre beaucoup de temps, en particulier pour l'extraction d'informations quantitatives, telles que l'identification de petites caractéristiques (microfissures) dans les électrodes SOC, ou le comptage des nanoparticules et l'analyse de leurs caractéristiques pour les électrodes PEMFC. L'apprentissage automatique fournit des méthodes prometteuses pour effectuer ces tâches d'analyse de manière automatique, même sur des données très bruitées. Ce post-doctorat vise à répondre à ces objectifs ambitieux : l'application de méthodes d'apprentissage automatique pour l'analyse automatique d'images SEM et TEM, et le traitement d'acquisitions rapides, dans le contexte de la caractérisation d'électrodes SOC et PEMFC.

Vous aurez l'opportunité de présenter ses résultats aux partenaires de du projetr, de communiquer à travers des publications et des conférences. Les méthodes qui seront développées pourront être transposées à d'autres cas d'utilisation d'intérêt.

Vous êtes titulaire d'un doctorat en mathématiques appliquées ou relatif au Machine Learning et à la science des données.
Vous avez une expérience dans la mise en œuvre d'approches de Machine Learning et de Deep Learning et dans l'exécution de la méthodologie associée (formation, validation, évaluation des performances).
Des connaissances en science des matériaux, en mesures SEM et TEM seraient un avantage.