Bandeau image
Programme UDOPIA

Appel à Projets de Thèses [Programme UDOPIA]

Appel à Projets de Thèses [Programme UDOPIA]

Partager

twlkfbml
Chapo
Lancé en 2020, le programme doctoral UDOPIA en IA s'appuie sur les forces considérables de l'Université Paris-Saclay et dans les domaines connexes pour créer une cohorte unique de doctorants formés à l'avant-garde des thèmes principaux de l'IA.
Contenu
Corps de texte

Les étudiants bénéficieront d'un riche écosystème avec des liens étroits avec l'industrie, et des instruments existants tels que l'Institut DATAIA Paris-Saclay ou la plateforme de calcul SaclayIA. Les mesures d'accompagnement spécifiques favoriseront l'interdisciplinarité, la mobilité, l'esprit d'entreprise et la large diffusion des résultats de la recherche dans les universités, l'industrie et le grand public.

Le programme doctoral est cofinancé par l'Agence Nationale de la Recherche (ANR), et par l'Université Paris-Saclay, ses composantes, associés et partenaires, notamment CentraleSupelec, Chaire IDAML du CMLA, DATAIA, ENS Paris-Saclay, INRIA Saclay, Labex Hadamard, UEVE, Vedecom.

Le programme est constitué de trois appels à projets de thèses sur les années 2020, 2021 et 2022. 

Appel 2022

Découvrir le texte de l'appel 2022

Les doctorants sélectionnés en 2022 seront recrutés sur un contrat à durée déterminée de 36 mois à partir d'octobre 2022, avec un salaire mensuel brut de 1 925€. 

Résultats de l'appel UDOPIA

Liste des lauréats

  • Louise PAQUEREAU / PHENIICS - Inférence bayésienne échelonnable avec des simulateurs différentiables automatiquement pour l'analyse cosmologique du relevé spectroscopique DESI
  • Zhe ZHENG / EDMH - Modélisation de l'incertitude dans les réseaux neuronaux récurrents pour une restauration vidéo efficace
  • Julia LASCAR / STIC - Apprentissage automatique pour la fusion de données multi/hyperspectrales, application à l'imagerie à rayons X en astrophysique
  • Clément BERNARD / STIC - Méthodes informatiques basées sur l'apprentissage profond pour la prédiction des structures 3D de l'ARN
  • Maja PANTIĆ / EOBE - Architectures hybrides et d'apprentissage profond pour l'imagerie quantitative de susceptibilité dans le cerveau humain à 7 Tesla
  • Paul SAIGHI / PIF - Apprentissage non supervisé dans les réseaux de neurones à pointes
  • Adrien CANCÈS / EDMH - Méthodes particulaires pour le transport optimal multi-marginal à haute dimension

Liste complémentaire

  • Ambroise HEURTEBISE / STIC - Apprentissage multi-vues : de l'ICA à l'auto-supervision
  • Eda CICEK / STIC - Exploitation de l'inférence basée sur la simulation et de l'inférence levée pour résoudre des modèles bayésiens hiérarchiques à grande échelle, avec des applications en neurochirurgie
  • Zixing QIU / 2MIB - Apprentissage profond pour l'identification de molécules dans le milieu interstellaire
  • Arnaud BARRAL / EDMH - Amélioration de l'imagerie infrarouge basée sur l'apprentissage auto-supervisé