2 offres apprenti trouvées

Contexte Les nanomatériaux s'imposent aujourd'hui dans de multiples secteurs d'activités et le cadre réglementaire a été adapté pour prendre en compte leurs spécificités. La première difficulté consiste à identifier le classement comme nanomatériau d'une substance à l'état particulaire en fonction des différentes définitions existantes au niveau français et européen. Dans le cas de nanomatériaux avérés, les différentes exigences réglementaires associées nécessitent la production de données sur les propriétés physico-chimiques (REACH, registre R-Nano) et sur leur transformation possible au cours de la vie de la substance (REACH, Règlement (UE) 2017/745 relatif aux dispositifs médicaux). Par ailleurs, l'identification des substances comme nanomatériaux est indispensable pour avoir des données fiables pour les évaluations toxicologiques et éco-toxicologiques. Le LNE travaille sur la caractérisation des principales propriétés des nanomatériaux (distribution de taille, surface...

Contexte Des travaux de recherche sont menés depuis plusieurs années au sein du département Science des Données et Incertitudes sur l'évaluation des incertitudes associées aux prédictions des algorithmes d'apprentissage. Une thèse portant sur deux sources d'incertitude (incertitude prédictive induite par l'incertitude des entrées [Monchot et al., 2023] et incertitude dite de répétabilité correspondant à l'incertitude liée au réentraînement du même réseau) a été soutenue fin 2023. À présent, nos efforts se portent sur l'incertitude du jeu de données d'entraînement et plus spécifiquement l'incertitude d'échantillonnage afin de cadrer notamment le domaine de validité des modèles d'apprentissage profond. Dans la littérature scientifique actuelle, le recours à la géométrie différentielle pour représenter les données et l'utilisation de modèles génératifs (VAEs, GANs, modèles de Diffusion, modèles basés sur les flux, etc.) sont prédominants. À titre d'exemple, Chadebec et Allassonnière...