Chercheur - Apprentissage automatique quantique & Information quantique

Le rôle Le chercheur en apprentissage automatique quantique ou en information quantique sera membre de l'équipe AI Applied Research de Terra Quantum. Cette équipe est à l'avant-garde de la conduite de recherches tant fondamentales qu'appliquées dans le domaine de l'apprentissage automatique quantique. Bien que le chercheur se concentre sur l'innovation en apprentissage automatique quantique, le rôle implique de traduire les résultats de la recherche en solutions logicielles algorithmiques pratiques. Le chercheur doit surveiller et analyser de près les tendances et les besoins scientifiques et industriels à court, moyen et long terme, spécifiquement dans les secteurs de la technologie quantique et de l'apprentissage automatique, afin de guider le développement et la mise en œuvre d'algorithmes hybrides quantiques-classiques. Le chercheur en apprentissage automatique quantique joue un rôle dans la promotion de l'excellence au sein de son équipe. Il est non seulement soucieux du détail, mais possède également une capacité d'enthousiasme remarquable. En faisant preuve d'engagement et de passion pour la mission, il inspire les membres de son équipe à contribuer à rendre les technologies quantiques largement accessibles et à produire un changement positif à l'échelle mondiale. Les responsabilités Le chercheur appliqué doit s'attendre à travailler dans l'un et à soutenir dans l'autre des domaines des activités suivantes de l'équipe Quantum Machine Learning. Recherche fondamentale en apprentissage automatique quantique Développement d'algorithmes d'apprentissage automatique quantique pour différentes tâches de traitement de données, par exemple les séries temporelles, le routage et la planification, l'image, les données de graphes ou le traitement du langage naturel Exploration des approches de pointe en apprentissage automatique quantique Analyse de circuits quantiques paramétrés dans leur capacité à apprendre via une boucle d'optimisation hybride quantique-classique Utilisation de métriques telles que la matrice d'information de Fisher, la dimension effective et l'accessibilité des termes de Fourier pour l'analyse d'ansatz de circuits quantiques paramétrés Amélioration de l'entraînabilité des circuits quantiques paramétrés par la régularisation de l'entropie par lots par couche et des techniques similaires Interprétation et explication des modèles d'apprentissage automatique quantique. Analyse du flux d'information à travers différentes architectures de réseaux de neurones quantiques Recherche et compréhension de l'endroit où le quantique apporte un avantage à l'apprentissage automatique Développement de techniques de codage et de traitement de données pour différents types d'ordinateurs quantiques Rédaction d'articles de recherche pour des revues scientifiques Mise en œuvre efficace d'algorithmes d'apprentissage automatique quantique Exécution d'algorithmes d'apprentissage automatique quantique sur des QPUs, par exemple de QuEra, IonQ, Rigetti et IBM Q Ajustement et amélioration de la mise en œuvre de réseaux de neurones quantiques hybrides pour différentes QPUs Exploration et test des meilleures façons d'hybrider les solutions d'apprentissage automatique classiques avec l'apprentissage automatique quantique Compréhension du moyen de mettre en œuvre une interaction efficace entre le matériel (CPU, GPU) et le logiciel (PyTorch, Pennylane) Assistance au développement de notre SDK d'apprentissage automatique quantique Optimisation, au moins théoriquement, du code des solutions d'apprentissage automatique hybrides quantiques-classiques pour une exécution plus rapide Soutien à la mise en œuvre de projets industriels Apport d'idées novatrices basées sur les besoins de l'industrie dans les tâches de séries temporelles, de routage et de planification, de GenAI et de traitement du langage naturel Brainstorming sur les possibilités d'applications des algorithmes d'apprentissage automatique quantique aux problèmes industriels de nos clients Travail sur la recherche d'un avantage théorique ou empirique à l'utilisation de l'apprentissage automatique hybride quantique-classique dans les problèmes industriels Assistance à la rédaction d'articles de recherche industrielle appliquée pour des revues scientifiques Les exigences Le chercheur appliqué doit posséder plusieurs qualifications selon le domaine d'activité en apprentissage automatique quantique ou en information quantique. Actuellement en cours ou ayant récemment terminé un diplôme en informatique, physique, mathématiques ou sujet équivalent Expérience dans un ou plusieurs langages de programmation quantique (Qiskit, Pennylane, Cirq, etc.) Expérience de travail avec des algorithmes quantiques variationnels pour l'apprentissage automatique Expérience de travail avec des algorithmes d'apprentissage automatique classiques Connaissances de base en Python, Pytorch et TensorFlow L'expérience de travail avec des QPUs est optionnelle La familiarité avec la théorie de l'information quantique est optionnelle La familiarité avec les techniques de Tensor-Network est optionnelle Orienté vers les objectifs, analytique et capable de travailler de manière indépendante Flexible, proactif et créatif avec la capacité de travailler en équipe Hautement motivé et résilient avec la capacité de travailler de manière interdisciplinaire Maîtrise de l'anglais écrit et parlé Les candidats doivent avoir le droit légal de vivre et de travailler dans l'Union européenne ou en Suisse. Malheureusement, nous ne sommes pas en mesure d'offrir de parrainage de visa pour ce rôle. Les récompenses Nous sommes une équipe internationale d'experts en technologie quantique et de créatifs commerciaux dévoués qui travaillent à apporter des solutions basées sur le quantique au marché mondial. Nos brillants membres d'équipe bénéficient d'un haut degré de liberté en travaillant à distance ou en rejoignant l'un de nos espaces de bureaux. Nous avons une culture