Post-doctorat en Intelligence Artificielle Neuro-Symbolique

Vous serez accueilli.e au sein de l’unité MIAT (Mathématiques et informatique appliquées Toulouse).

Ce Post-doctorat sera financé par l’ANR - Projet GMLaS (Discrete Graphical Model Learning and Solving using Data Mining and Deep Learning).

Le projet GMLaS vise à renforcer l’hybridation entre l’Apprentissage Profond (Deep Learning - DL) et la Programmation par Contraintes (CP). Il s’appuie sur les Réseaux de Fonctions de Coût (Cost Function Networks - CFN) et le solveur toulbar2 [2]. Les récents travaux de l’équipe ont permis de concevoir une architecture hybride différentiable entraînée efficacement sans solveur grâce à la perte E-PLL (Emmental Pseudo Log-Likelihood) [1]. L’objectif du post-doctorat est d’étendre la perte E-PLL et son cadre théorique/pratique à de nouvelles tâches neuro-symboliques complexes pour aboutir à une librairie Python efficace et simple à mobiliser sur de nouvelles tâches neuro-symboliques.

Environnement de travail, missions et activités

Le poste est situé à INRAE de Castanet-Tolosan (Toulouse). Le laboratoire dispose de serveurs GPU internes et peut accéder aux ressources de calcul du mésocentre local et des infrastructures nationales. Une partie des fait partie du cluster IA ANITI.

Missions et activités principales :

• Développer une bibliothèque Python de modélisation neuro-symbolique étendant la bibliothèque E-PLL existante (issue des publications JAIR) pour faciliter la modélisation de tâches complexes.
• Étendre l’architecture pour traiter des informations d’ordre supérieur : contraintes ou fonctions de coût impliquant plusieurs variables, ou contraintes globales (connues ou à prédire à partir de solutions de haute qualité).
• Explorer des fonctions de perte généralisées ou alternatives, telles que le PLL composite/bloc [7,8] ou le filtrage d’interactions (interaction screening [9]) et ses variants.
• Modéliser et évaluer explicitement l’approche sur de nouveaux domaines d’application : Decision Focused Learning, modèles de monde/d’action symboliques (Symbolic World/Action Models [3,4,5]), conception de protéines (Protein Design [6]), etc.

• Doctorat (PhD) en informatique ou dans un domaine étroitement lié.
• Solides connaissances et compétences dans au moins un des domaines suivants : Optimisation Discrète, Raisonnement Propositionnel (SAT), Programmation par Contraintes (CP), Modèles Graphiques Discrets.
• Bon niveau général en mathématiques (discrètes et continues).
• Excellent dossier de publications scientifiques.
• Excellentes compétences en programmation (Python) et en ingénierie logicielle.
• Maitrise parfaite de l’anglais à l’oral et à l’écrit.

Compétences appréciées (non obligatoires) :

• Connaissances complémentaires en Machine / Deep Learning et expérience avec PyTorch.
• Intérêt marqué pour les solutions Neuro-Symboliques et le raisonnement probabiliste discret (démontré par des travaux antérieurs).

Votre qualité de vie à INRAE

En rejoignant INRAE, vous bénéficiez (selon le type de contrat et sa durée) :

• jusqu’à 30 jours de congés + 15 RTT par an (pour un temps plein)
• d’un soutien à la parentalité : CESU garde d’enfants, prestations pour les loisirs ;
• de dispositifs de développement des compétences : formation, conseil en orientation professionnelle ;
• d’un accompagnement social : conseil et écoute, aides et prêts sociaux ;
• de prestations vacances et loisirs : chèque-vacances, hébergements à tarif préférentiel ;
• d’activités sportives et culturelles ;
• d’une restauration collective.

Présentation INRAE

L’Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE) est un établissement public de recherche rassemblant une communauté de travail de 12 000 personnes, avec 272 unités de recherche, de service et expérimentales, implantées dans 18 centres sur toute la France. INRAE se positionne parmi les tout premiers leaders mondiaux en sciences agricoles et alimentaires, en sciences du végétal et de l’animal. Ses recherches visent à construire des solutions pour des agricultures multi-performantes, une alimentation de qualité et une gestion durable des ressources et des écosystèmes., [1] Marianne Defresne, Romain Gambardella, Sophie Barbe and Thomas Schiex. “Scaling Neuro-symbolic Problem Solving: Solver-Free Learning of Constraints and Objectives”. In: Journal of Artificial Intelligence Research 85 (2026)

[2] Hurley, Barry, et al. “Multi-language evaluation of exact solvers in graphical model discrete optimization.” Constraints 21.3 (2016): 413-434.

[3] Bizzaro, Davide, and Luciano Serafini. “Discrete World Models via Regularization.” arXiv preprint arXiv:2603.01748 (2026).

[4] Xi, Kai, Stephen Gould, and Sylvie Thiébaux. “Neuro-symbolic learning of lifted action models from visual traces.” Proceedings of the International Conference on Automated Planning and Scheduling. Vol. 34. 2024.

[5] Xi, Kai, Stephen Gould, and Sylvie Thiébaux. “Learning Lifted Action Models from Unsupervised Visual Traces.” Proceedings of the International Conference on Automated Planning and Scheduling. Vol. 36. No. 1. 2026.

[6] Defresne, Marianne, et al. “A Generative Neuro-Symbolic AI for Protein Sequence Design.” bioRxiv (2026): 2026-03.

[7] Nowozin, Sebastian. “Constructing composite likelihoods in general random fields.” ICML Inferning Workshop (2013). https://openreview.net/forum?id=C31bC6dyPJC5S

[8] Lindsay, Bruce G. Composite likelihood methods. In : Statistical Inference from Stochastic Processes: Proceedings of the AMS-IMS-SIAM Joint Summer Research Conference Held August 9-15, 1987, with Support from the National Science Foundation and the Army Research Office. American Mathematical Soc., 1988. p. 221.

[8] Jayakumar, Abhijith, et al. “Learning of discrete graphical models with neural networks.” Advances in Neural Information Processing Systems 33 (2020): 5610-5620.