- Un doctorat en physique, en physique appliquée, en dynamique non linéaire ou dans un domaine étroitement lié.
- Une solide expérience de recherche en calcul sur réservoirs physiques, en matériel neuromorphique ou en systèmes dynamiques non linéaires, idéalement avec des publications ou des brevets dans le domaine des réservoirs photoniques, électroniques, mécaniques ou MEMS.
- Une maîtrise des oscillateurs non linéaires et des systèmes à cycle limite, ainsi que la capacité à relier la théorie au comportement mesuré du matériel.
- Solides compétences quantitatives et de calcul : Python ou MATLAB, simulation numérique de systèmes dynamiques, analyse de séries chronologiques et de signaux.
- Aisance en laboratoire : vous êtes capable de définir des mesures, d’interpréter des données bruitées et de déboguer un système physique.
- Connaissances pratiques du traitement des signaux analogiques et des interfaces de capteurs, suffisantes pour collaborer étroitement avec les ingénieurs en circuits et en dispositifs. Une expérience pratique des MEMS, des circuits analogiques ou mixtes, ou de l’IA analogique constitue un atout majeur.
- Un esprit entrepreneurial : vous faites preuve d’une grande tolérance à l’ambiguïté et êtes à l’aise pour improviser au fur et à mesure, sans avoir besoin d’un guide pour savoir quelle sera la prochaine étape.
TandemLaunch s'engage à bâtir une communauté fondée sur l'excellence, l'équité et la diversité. Nous encourageons vivement les candidatures de femmes, de personnes issues de minorités sous-représentées, de personnes en situation de handicap, de membres de minorités sexuelles et de tout autre candidat susceptible d'enrichir nos idées et nos points de vue.
TandemLaunch is looking for a Head of Research to join the founding team of an early-stage deep tech startup coming out of our venture studio. We're building a physical reservoir computing front-end for analog AI: a small, tunable analog block that sits between a sensor and an AI accelerator and extracts noise-robust, training-free features directly from the sensor's analog signal.
Today, sensor signals are digitized and preprocessed (ADC, FFT, Mel-spectrogram) before reaching the inference layer and that conditioning chain often uses more power than the inference itself. We're replacing it with a physical reservoir that absorbs sensor noise into useful nonlinear dynamics and hands clean, high-dimensional features straight to an analog AI accelerator or a microcontroller, without an ADC at the input.