Description du poste : Sous la responsabilité du chef d'unité et en collaboration avec les chercheurs de l'unité MPSO (Modélisation Physique de la Scène Optronique), vous développerez et mettrez en oeuvre des méthodologies basées sur le machine learning pour différentes applications, parmi lesquelles L'inversion de données instrumentales (lidar, spectromètres ou simulées pour la caractérisation de l'environnement atmosphérique et des signatures optiques de cibles d'intérêt défense Le développement de métamodèles multi-fidélité pour la prédiction des signatures optiques de différents types de cibles L'accélération de codes de transfert radiatif appliqués à différents milieux. Pour toutes ces applications, un point important sera la quantification des incertitudes associées à l'utilisation des méthodes de machine learning, en lien avec le RT-UQ (Réseau de recherche sur la quantification des incertitudes, https://uq.math.cnrs.fr Vous avez un intérêt prononcé pour la recherche appliquée et la mise au point de nouveaux algorithmes. Vous contribuerez au développement des activités du DOTA En étant force de propositions dans l'élaboration de projets scientifiques soumis auprès de différents partenaires et financeurs (Union Européenne, Agence de Défense Européenne, Agence Nationale de la Recherche, Direction Générale de l'Armement En assurant des activités d'encadrement de stagiaires puis à terme de doctorants En valorisant vos travaux par la soumission de publications dans des journaux à comité de lecture et des conférences En participant aux activités des laboratoires transverses de l'ONERA en mathématiques appliquées et en intelligence artificielle. Vos missions sont conditionnées par l'obtention d'une habilitation de Défense nationale. Description du profil : Docteur-ingénieur possédant des compétences solides en machine learning et quantification d'incertitudes Maîtrise du langage Python Bonnes qualités rédactionnelles et d'organisation nécessaires Bon niveau d'anglais indispensable