Liste des postes de chaires de professeur junior de CNRS Sciences informatiques 2026

L’objectif scientifique est de pouvoir exploiter des données massives en imagerie contextualisées cliniquement, afin de concevoir, développer, évaluer et valider de nouvelles approches d'analyse de ces données, avec une vision beaucoup plus intégrée, transdisciplinaire et translationnelle. Cela passe par l’intégration de données hétérogènes et la modélisation des trajectoires de soins des patients, incluant les images médicales, les rapports radiologiques, les données hospitalières et biologiques. Cela doit permettre un suivi longitudinal de ces données multimodales, afin d'identifier les facteurs déterminants pour l'efficacité des traitements. Il s’agit aussi d’identifier et de valider des signatures biomédicales complexes à partir de sources multimodales et multi-échelles (IRM multi-paramétrique, EEG, ECG, imagerie ultrasonore, données biomoléculaires, génétiques et phénotypiques…), afin de révéler des mécanismes pathologiques sous-jacents, et guider les approches thérapeutiques.

Laboratoires d'accueil :

• Centre de recherche en acquisition et traitement d'images pour la santé (CREATIS - CNRS/Inserm/INSA Lyon/Université Claude Bernard Lyon 1)
• Laboratoire des sciences de l’ingénieur, de l’informatique et de l’imagerie (ICube - CNRS/Université de Strasbourg)
• Laboratoire recherche translationnelle et innovation en médecine et complexité (TIMC - CNRS/Université Greno

Établissements :

• INSA Lyon
• Université Grenoble Alpes
• Université de Strasbourg, Institut interdisciplinaire de Neurosciences de Strasbourg

Il y a un besoin toujours très important dans le développement, la conception et la sémantique des langages de programmation, qui fournissent des abstractions les plus adaptées possibles à leur contexte d’utilisation. Ceci est notamment utile pour la production de compilateurs et d'outils de vérification mécanisée. On peut par exemple penser à des langages de programmation comme Rust qui possède une gestion de la mémoire sûre mais néanmoins optimisée et qui peut ainsi viser des applications de la programmation système ou à des langages dédiés au parallélisme permettant de passer d'une spécification déterministe à un code embarqué cible pouvant s'exécuter sur des architectures parallèles (multi-cœurs). Dans la plupart des cas, ces abstractions sont obtenues grâce à la conception de nouveaux systèmes de types, dont les propriétés sont prouvées et leur exploitation nécessite le développement de techniques modernes de compilation et de vérification qui permettent d’obtenir un code sûr et efficace. Ces thématiques de recherche sont activement développées dans les communautés qui publient dans les conférences telles que POPL, PLDI, ICFP, OOPSLA ou ECOOP.

Laboratoires d'accueil :

• Département d'informatique de l'École Normale Supérieure (DIENS - CNRS/ENS PSL)
• Laboratoire de l'informatique du parallélisme (LIP - CNRS/ENS de Lyon/Lyon 1 Université)
• Laboratoire méthodes formelles (LMF - CNRS/ENS Paris-Saclay/Université Paris-Saclay)
• VERIMAG (CNRS/Université Grenoble Alpes)

Établissements :

• ENS Lyon
• ENS Paris Saclay
• ENS PSL
• Université Grenoble Alpes

Les méthodes d'optimisation constituent aujourd'hui un socle fondamental pour le traitement de problèmes complexes en sciences informatiques, dans de nombreux domaines (par ex., bio-informatique, neurosciences, climatologie, astrophysique, santé …), dans les applications industrielles, les questions de l’organisation de notre société, et au-delà. Ce profil de poste vise à recruter un ou une scientifique dont les travaux s'inscrivent dans le domaine de l'optimisation au sens large : optimisation stochastique, optimisation par contrainte, programmation mathématique, optimisation sur variétés ou optimisation fédérée et distribuée, avec une approche algorithmique. L'objectif est de développer notre compréhension fondamentale du fonctionnement des algorithmes utilisés en pratique (analyse de convergence, complexité, robustesse) et de les adapter aux contraintes des applications à grande échelle (passage à l'échelle, hétérogénéité des données, problèmes mal posés, contraintes de communication et de mémoire).

Laboratoires d'accueil : 

• Centre de recherche en informatique, signal et automatique de Lille (CRIStAL - CNRS/Centrale Lille/Université de Lille)
• Laboratoire des signaux et systèmes (L2S - CNRS/CentraleSupélec/Université Paris-Saclay)
• Laboratoire d’analyse et d’architecture des systèmes (LAAS-CNRS)
• Laboratoire d’informatique de l’École polytechnique (LIX - CNRS/Institut Polytechnique de Paris)

Établissements :

• Institut Polytechnique de Paris (École Polytechnique)
• Université de Lille
• Université Paris-Saclay
• Université Toulouse III - Paul Sabatier

L’objectif général de ce projet est de renforcer les activités du CNRS dans le domaine de la robotique, de l’automatique et de l'IA. Il vise le développement de systèmes autonomes en interaction avec des humains dotés d'une « intelligence embarquée », leur permettant d'agir de manière fiable dans des environnements non structurés et non prédictibles. Quelques axes d’intérêt :

• Développer de nouvelles approches et architectures de contrôle pour les systèmes autonomes (véhicules ou robots, incluant les drones) tenant compte des aspects humains, incluant le développement d’observateurs et estimateurs exploitant les données disponibles.
• Percevoir et comprendre des situations en environnement ouvert et dynamique, gérer des incertitudes et l’intégrité du système physique et de son environnement (sûreté de fonctionnement)
• Planifier des trajectoires et la cartographie dans l'espace (SLAM)

Laboratoires d'accueil :

• Laboratoire Heuristique et diagnostic des systèmes complexes (Heudiasyc - CNRS/Université de technologie de Compiègne)
• Laboratoire d’automatique, de mécanique et d’informatique industrielles et humaines (LAMIH - CNRS/Université Polytechnique Hauts-de-France)

Établissements :

• Université Polytechnique Hauts de France
• Université de Technologie de Compiègne

À venir

Le scientific machine learning connaît une révolution portée par l’IA générative, capable d’apprendre, à partir de données souvent non supervisées, des modèles probabilistes universels de la structure statistique des domaines étudiés. Cela transforme des tâches comme la prédiction ou la classification en cas particuliers d’inférence, amplifiés par la puissance de ces modèles. Le défi consiste à en extraire des variables latentes interprétables, reflétant les mécanismes biologiques sous-jacents.
La génomique évolutive, avec ses modèles probabilistes de processus biologiques (mutations, structure des génomes, contraintes biophysiques, sélection) et ses données massives mais bruitées, offre un terrain idéal pour ces avancées. Les progrès récents de l’IA en biologie (AlphaFold, ESM, DNABert) permettent désormais d’intégrer séquence, structure, fonction et dynamique évolutive. Ainsi, ce domaine mobilise naturellement les approches émergentes du ML (inférence par simulation, modèles de diffusion, neural ODEs/SDEs, auto-encodeurs variationnels) pour développer des méthodes d’inférence scalables, interprétables et accessibles à la communauté scientifique. 

Laboratoires d'accueil :

• Laboratoire de biométrie et biologie évolutive (LBBE - CNRS/Lyon 1 Université/Vetagro Sup)
• Laboratoire interdisciplinaire des sciences du numérique (LISN - CNRS/Université Paris-Saclay)

Établissements :

• Université Claude Bernard Lyon 1
• Université Paris-Saclay

À venir