Mission : L'ingénieur (H/F) aura pour mission d'apporter une expertise accélération matérielle appliquée à la radio-interférométrie, en intervenant sur plusieurs lots de travaux du projet ODISSEE -Online Data Intensive Solutions for Science in the Exabyte ERA-. Ce projet est une initiative européenne majeure fédérant les efforts de 3 infrastructures paneuropéennes labellisées ESFRI en sciences physiques, Big Data et plus généralement dans le continuum numérique (HL-LHC, SKAO et SLICES-RI). ODISSEE fournira des plates-formes matérielles et logicielles évolutives et révolutionnaires pour relever les défis numériques de ces grandes infrastructures dans un contexte international hautement compétitif. Le projet vise à prototyper des solutions qui permettront au HL-LHC et au SKA de traiter et d'analyser les gigantesques volumes de données brutes qu'ils produisent, en collaboration avec des partenaires industriels, et grâce à un accès aux moyens expérimentaux uniques de SLICES-RI. Le projet est profondément ancré dans les écosystèmes de Recherche & Innovation régionaux et internationaux, avec des liens étroits avec plusieurs initiatives européennes majeures et des partenariats avec les principaux fournisseurs de technologie. Un impact fort et durable est intégré dans la stratégie d'exploitation à deux niveaux comprenant le développement d'une stratégie de formation unique pour le personnel du HL-LHC et du SKAO, soutenue par SLICES-RI, ainsi que des interactions renforcées avec les écosystèmes concernés (communautés d'utilisateurs et experts en technologies numériques). Activités : - Contribuer à la définition des flux de traitement des données et des implémentations de référence associées, nécessaires pour répondre aux spécifications des programmes scientifiques en radioastronomie. - Travailler sur une architecture composable pour le traitement des données, grâce à un logiciel permettant de mettre en œuvre des flux de taches en radioastronomie, intégrant la gestion des ressources et une API pour le déploiement des flux de taches. - Contribuer à la mise en œuvre de démonstrateurs modulaires, à optimiser et à évaluer en termes de flexibilité, de durabilité et d'efficacité pour les cas d'utilisation correspondants, y compris l'utilisation de nouveaux accélérateurs spécialisés axés sur l'IA pour la radioastronomie. - Explorer les possibilités d'accélération dans les flux de taches pour la radio-astronomie en s'appuyant potentiellement sur les méthodologies DNN. Ces schémas d'accélération seront évalués en termes de (i) compromis entre l'efficacité énergétique pendant le processus de formation et (ii) le rendement scientifique (sensibilité / résolution) pendant l'inférence. Un aspect clé est de bénéficier d'approches hybrides HPC + IA dans les flux de taches, afin de maximiser le rendement scientifique tout en limitant l'utilisation des ressources.