Publiée 4 juillet 2026
F/H Ingénierie - Exploration de méthodes d'apprentissage non supervisées dans des architectures de réservoirs optimisées par algorithmes génétiques
Inria
Bordeaux, Nouvelle-Aquitaine 33000, France
CDI
Contexte et atouts du poste
Ce projet se place dans le cadre du projet ANR DeepPool sur la création d'architectures de Reservoir Computing (RC) bio-inspirées pour le traitement audio et langage, ainsi que du projet de thèse de Julien Testu sur l'exploration d'archichitectures RC avec des algorithmes génétiques. Ce dernier vise à concevoir et faire évoluer des architectures robustes de Reservoir Computing (RC) à l'aide d'algorithmes génétiques, en s'inspirant de la modularité du cerveau. Le Reservoir Computing offre un cadre efficace pour le traitement des données temporelles, dans lequel seule la couche de sortie est entraînée, tandis que la dynamique récurrente interne (le " réservoir ") reste fixe. Cette approche permet un apprentissage rapide et peu coøteux, et a déjà été appliquée avec succès à une grande variété de tâches, telles que la prédiction de séries temporelles, la classification de séquences audio ou l'analyse de signaux biologiques. L'objectif central est de faire évoluer des architectures de réservoir modulaires et adaptables, capables de bien généraliser sur différentes tâches, en s'inspirant des mécanismes de spécialisation et d'intégration observés dans les systèmes neuronaux biologiques. En utilisant des méthodes évolutionnaires, le projet explorera la conception automatique de topologies à réservoir unique ainsi que d'architectures multi-réservoirs, en prenant en compte la capacité de généralisation, la robustesse, la modularité et l'efficacité.
Mission confiée
- ajouter de méthodes non-supervisées (basées sur de l'apprentissage Hebbien), à la méthode (algorithme génétique) développée dans l'équipe par le doctorant Julien Testu ;
- aide au paramétrage de tels méthodes pour que les méthodes d'optimisation (algorithmes génétiques) fonctionnent au mieux ;
- comparaison avec des méthodes d'état de l'art et de modèles hybrides (reservoirs-transformers) ;
- exploration et analyses des performances pour comprendre d'où vient les améliorations de performances et proposer des métriques et visualisations ;
- la rédaction d'articles scientifiques et la publication de données et outils développés (notamment dans ReservoirPy) pendant la mission.
Principales activités
Le candidat recruté jouera un rôle clé dans l'ajout de méthodes d'apprentissage non supervisées dans des architectures de réservoirs optimisées par algorithmes génétiques, en s'appuyant sur le travail d'un doctorant de l'équipe qui travaille sur ces architectures. Cela permettra d'explorer des architectures plus adaptatives et efficaces sur divers jeux de données.
Compétences
Nous recherchons un profil compétent et passionné par l'apprentissage automatique et les méthodes évolutionnaires :
- Ayant une bonne maîtrise des bibliothèques scientifiques Python (numpy/scipy).
- À l'aise avec les concepts mathématiques et statistiques.
- Bon niveau d'anglais technique.
- Une expérience en méthodes d'optimisation stochastique et/ou en reservoir computing serait un plus, bien que non obligatoire.
Avantages
Rémunération
Selon diplôem et expérience : à partir de 2692 euros brut mensuel
Ce projet se place dans le cadre du projet ANR DeepPool sur la création d'architectures de Reservoir Computing (RC) bio-inspirées pour le traitement audio et langage, ainsi que du projet de thèse de Julien Testu sur l'exploration d'archichitectures RC avec des algorithmes génétiques. Ce dernier vise à concevoir et faire évoluer des architectures robustes de Reservoir Computing (RC) à l'aide d'algorithmes génétiques, en s'inspirant de la modularité du cerveau. Le Reservoir Computing offre un cadre efficace pour le traitement des données temporelles, dans lequel seule la couche de sortie est entraînée, tandis que la dynamique récurrente interne (le " réservoir ") reste fixe. Cette approche permet un apprentissage rapide et peu coøteux, et a déjà été appliquée avec succès à une grande variété de tâches, telles que la prédiction de séries temporelles, la classification de séquences audio ou l'analyse de signaux biologiques. L'objectif central est de faire évoluer des architectures de réservoir modulaires et adaptables, capables de bien généraliser sur différentes tâches, en s'inspirant des mécanismes de spécialisation et d'intégration observés dans les systèmes neuronaux biologiques. En utilisant des méthodes évolutionnaires, le projet explorera la conception automatique de topologies à réservoir unique ainsi que d'architectures multi-réservoirs, en prenant en compte la capacité de généralisation, la robustesse, la modularité et l'efficacité.
Mission confiée
- ajouter de méthodes non-supervisées (basées sur de l'apprentissage Hebbien), à la méthode (algorithme génétique) développée dans l'équipe par le doctorant Julien Testu ;
- aide au paramétrage de tels méthodes pour que les méthodes d'optimisation (algorithmes génétiques) fonctionnent au mieux ;
- comparaison avec des méthodes d'état de l'art et de modèles hybrides (reservoirs-transformers) ;
- exploration et analyses des performances pour comprendre d'où vient les améliorations de performances et proposer des métriques et visualisations ;
- la rédaction d'articles scientifiques et la publication de données et outils développés (notamment dans ReservoirPy) pendant la mission.
Principales activités
Le candidat recruté jouera un rôle clé dans l'ajout de méthodes d'apprentissage non supervisées dans des architectures de réservoirs optimisées par algorithmes génétiques, en s'appuyant sur le travail d'un doctorant de l'équipe qui travaille sur ces architectures. Cela permettra d'explorer des architectures plus adaptatives et efficaces sur divers jeux de données.
Compétences
Nous recherchons un profil compétent et passionné par l'apprentissage automatique et les méthodes évolutionnaires :
- Ayant une bonne maîtrise des bibliothèques scientifiques Python (numpy/scipy).
- À l'aise avec les concepts mathématiques et statistiques.
- Bon niveau d'anglais technique.
- Une expérience en méthodes d'optimisation stochastique et/ou en reservoir computing serait un plus, bien que non obligatoire.
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 partiel 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 œuvres sociales d'Inria)
- Accès à la formation professionnelle
- Sécurité sociale
Rémunération
Selon diplôem et expérience : à partir de 2692 euros brut mensuel
