30 phd-machine-learning-"https:"-"Computer-Vision-Center" Postdoctoral positions at CEA
Sort by
Refine Your Search
-
feeds Post-doctorat - Modélisation atomique d'actinides par modèles machine learning - H/F 186 / 669 vacancy Détail de l'offre Description du poste Domaine Matériaux, physique du solide Contrat Post
-
feeds Post-doctorat - Interaction spin-réseau par simulations ab initio et Machine Learning - H/F 195 / 667 vacancy Détail de l'offre Description du poste Domaine Matériaux, physique du solide Contrat
-
feeds Post-doctorat - Méthodes de machine learning pour la simulation rapide des ondes de choc 3D - H/F 172 / 753 vacancy Détail de l'offre Description du poste Domaine Sciences pour l'ingénieur
-
, signal processing, computer science, applied physics or a related field, preferably with the PhD awarded within the last two years. You have solid experience in machine learning and/or deep learning
-
Postdoc – Advanced characterization of the stability of tandem photovoltaic cells under illumination
skills: Python programming, Silvaco (basics), machine learning, scientific english Soft skills: curiosity, analytical skills, ingenuity, proactive in suggesting ideas Position location Site Grenoble Job
-
field samples. At LPCV, you will contribute to the research themes of the Photosymbiosis team led by Johan Decelle (https://photosymbiosis.com/), to apply cryo-ET on symbiotic organisms. You will
-
de Clinatec et contribuera à des travaux de recherche de pointe dans le domaine des interfaces cerveau-machine. Localisation du poste Site Grenoble Localisation du poste France, Auvergne-Rhône-Alpes
-
-doctorat - Interaction spin-réseau par simulations ab initio et Machine Learning - H/F Ref. : 2026-41507-S2111 Postdoc Essonne (91) Bruyères-le-Châtel Post-doctorat - Simulation par éléments finis de
-
système acoustique innovant pour l'imagerie et la vélocimétrie ultrason H/F Ref. : 2026-41366 Postdoc Isère (38) Grenoble Post-doctorat - Interaction spin-réseau par simulations ab initio et Machine
-
Post-doctorat - Étude des effet de températures et de pressions pour les transitions de phases - H/F
réaction par intégration thermodynamique. Bien qu’efficace, cette méthode est numériquement coûteuse. Pour surmonter cette limitation, les potentiels interatomiques machine learning (MLIP) offrent une