Offre de thèse en Informatique (F/H)

La Faculté de Gestion, Economie et Sciences (FGES) recrute un(e) Assistant(e) doctorant(e), en CDD de 36 mois. Poste à pourvoir à partir de septembre 2026.

Elle offre 19 masters, 9 licences, et une licence professionnelle en sciences, gestion, numérique, comptabilité et économie, des classes CUPGE en double cursus. Elle accueille chaque année 2800 étudiants. L’accompagnement des étudiants (pédagogie active, vie étudiante, développement personnel et professionnalisation) et l’internationalisation s’inscrivent dans la mission plus large de l’Université de former des professionnels capables de s’adapter, d’innover et de devenir des citoyens acteurs et responsables. La diffusion de la culture scientifique et l’ouverture vers les milieux socio-économiques est aussi une priorité à travers l’enseignement, la recherche et les études. L’unité de recherche de la FGES regroupe une cinquantaine de membres.

L'Université Catholique de Lille, riche de ses 43 000 étudiants, est une université pluridisciplinaire avec cinq Facultés (Droit ; Lettres et Sciences Humaines ; Médecine et Maïeutique ; Gestion, Economie & Sciences ; Théologie), 22 Établissements de formation dont des écoles médicales et paramédicales, sociales, de cadres du tertiaire, un Groupe Hospitalier, et en tout, près de 50 équipes de recherche regroupant 850 enseignant chercheurs.

Co-directeur: Bruno Grandidier
Taux d'encadrement: Viven Scottez (50%), Bruno Grandidier (40%), Charles Yaacoub (10%)

Contexte

Le contexte scientifique de cette thèse s’inscrit à l’interface entre la science des données, le traitement du signal et la physique des matériaux, où l’analyse de données complexes issues de surfaces microscopiques constitue un enjeu majeur. L’estimation de paramètres à partir de champs stochastiques non gaussiens, omniprésents dans les phénomènes physiques non linéaires et les images expérimentales, requiert des outils capables d’extraire des descripteurs compacts et pertinents. Si les réseaux de neurones convolutifs se sont imposés ces dernières années, leurs limites en termes d’interprétabilité et de coût d’entraînement motivent l’exploration d’approches alternatives. Dans ce contexte, la transformée par diffusion d’ondelettes (WST) apparaît comme une méthode prometteuse, combinant la richesse descriptive des approches profondes avec la rigueur des outils statistiques, tout en s’affranchissant de la phase d’apprentissage. Son application à l’analyse d’images issues de microscopies avancées ouvre ainsi de nouvelles perspectives pour la caractérisation fine des surfaces et l’extraction d’informations physiques essentielles.

Missions

L’estimation de paramètres à partir de champs stochastiques non gaussiens constitue un défi courant en science des données. Que ce soit dans l’étude de processus physiques intrinsèquement non-linéaires mais aussi dans l’analyse de données complexes ou d’images dans l’industrie, être capable d’extraire un ensemble compact de coefficients pouvant servir de statistiques récapitulatives est une étape incontournable.

Ces dernières années, cette tâche a de plus en plus été accomplie par l’utilisation de réseaux de neurones convolutifs (CNN), qui ont su démontrer leur grande efficacité dans leur capacité à décrire la non-linéarité mais dont les coefficients demeurent difficiles à interpréter. De plus, les CNN nécessitent une étape d’entraînement sur un jeu de données dédié qu’il faut donc constituer, stocker et protéger. Cette étape d’entraînement est souvent longue, gourmande en énergie et donc coûteuse.

Ce projet de thèse vise à aborder le problème de l’estimation de paramètres de champs stochastiques non gaussiens à l’aide de la transformée par diffusion d’ondelettes (wavelete scattering transform, WST), un outil statistique qui partage des idées avec les CNN, tout en ne nécessitant ni entraînement ni réglage fin de paramètres car elle est similaire aux estimateurs statistiques traditionnels. Elle génère un ensemble de statistiques récapitulatives qui caractérise efficacement la non-gaussianité. La WST construit des représentations de signaux invariantes, stables et informatives pour la classification. Elle est calculée en dispersant l'information du signal le long de plusieurs voies, avec une cascade d'opérateurs de module d'ondelettes implémentés dans un réseau de convolution profond. Le développement et les applications récentes de cet outil sur des données et images astrophysiques sont particulièrement prometteurs et ont ainsi été reconnus à l’échelle nationale, notamment par les médailles de bronze et d’or du CNRS en 2025.

La WST est un outil généraliste au même titre qu’un réseau de neurone ou qu’une transformée de Fourier. Son intérêt réside dans sa capacité à caractériser la non-gaussianité sans entrainement préalable. Elle peut permettre de faire : de l’exploration de donnée, de la génération d’images, de la classification ou encore de la séparation de composantes.

Le doctorant aura pour mission de se familiariser avec cette approche afin de développer et d’implémenter cet outil dans le but d’améliorer le traitement et l’analyse des images en champ proche obtenues par microscopies à effet tunnel et à force atomique ou plus généralement avec des mesures de topographie z = f(x, y).
En effet, la qualité d’une image est définie par la fidélité avec laquelle la topographie mesurée reflète la surface réelle. Mais de nombreux facteurs, tels que la contamination de la sonde, la dérive instrumentale, l’instabilité du système d’asservissement, ou les changements soudains d’interaction pointe-échantillon, peuvent introduire des artéfacts. Une fois identifiés, la thèse visera à réduire, voire à supprimer leur impact sur l’image. La microscopie à effet tunnel (STM) et la spectroscopie tunnel produisent également des cartes spectroscopiques de la densité locale d’états électroniques en fonction de la position et de l’énergie formant un ensemble tridimensionnel de données. Le contraste dans ces images, souvent appelées cartes d’interférence de quasi-particules, provient des variations spatiales locales de cette densité, qui fluctue en raison de la diffusion et l’interférence des électrons par des défauts, impuretés, dislocations, marche atomiques à la surface ou sous la surface du matériau étudié. La WST sera appliquée à de tels jeux de données pour révéler des informations physiques essentielles sur les relations de dispersion et les processus de diffusion dans des matériaux semi-conducteurs et des cristaux atomiques à deux dimensions

Dans le cadre de notre politique diversité, nous portons une attention particulière, à compétences égales, aux candidatures des personnes en situation de handicap.

Master (ou équivalent) en data/IA avec une forte appétence pour la physique
ou

Master (ou équivalent) en physique des matériaux avec une forte appétence pour l’informatique

Niveau de français requis: Intermédiaire supérieur: Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.

Niveau d'anglais requis: Intermédiaire supérieur: Vous pouvez utiliser la langue de manière efficace et vous exprimer précisément.

Date limite de candidature : 27/05/2026