Institut de recherche sur les lois fondamentales de l'Univers

La simulation Monte Carlo du transport des particules est devenue aujourd’hui centrale dans de nombreux domaines tels que la physique fondamentale, la physique médicale ou les applications spatiales pour n'en citer que quelques-uns. Afin de pallier les temps de calculs inhérents à cette méthode, des techniques dites "de réduction de variance" sont développées, dont l'objectif est de "pousser" les particules vers le(s) détecteur(s) sans induire de biais sur les résultats du calcul. Récemment, une méthode de réduction de variance dite Adaptative Multilevel Splitting (AMS) [1,2], s'intéressant aux événements rares, a été conçue et implémentée dans différents codes de calculs, tels que le code Monte Carlo TRIPOLI4 développé au CEA ou le code Monte Carlo Geant4 développé au CERN par une collaboration internationale [3]. Cette méthode offre des perspectives très intéressantes car elle permet de préserver les corrélations entre les particules contribuant à la mesure, ce que ne permettent pas les méthodes standards de réduction de variance comme par exemple l'Importance Sampling.
Ce sujet de stage propose d'évaluer l'intérêt de cette approche dans le contexte de la physique fondamentale, où les simulations cherchent à détecter des événements rares, comme par exemple dans les expériences visant à mettre en évidence la diffusion cohérente des neutrinos auprès de réacteur (CEvNS). En effet, ces expériences mettent régulièrement en œuvre des méthodes de détection en coïncidence permettant d’augmenter le rapport signal sur bruit (à titre illustratif on peut imaginer la détection d'un neutron dans un détecteur A et d'un photon dans un détecteur B). Elles représentent un challenge en termes de calcul numérique car leur simulation nécessite l'échantillonnage d'un très grand nombre de particules (de sorte à ce qu'une fraction très faible d'entre elles contribuent à la mesure).
Le sujet de ce stage consiste donc à utiliser l'AMS implémenté dans le code Geant4 et à en optimiser les paramètres dans des configurations dites "multi-particules/multi-détecteurs", afin de pouvoir simuler des événements rares corrélés. Le/la stagiaire devra pour ce faire finaliser les développements déjà entrepris (cf. [4]) puis à en vérifier l'efficacité sur différents cas physiques simples représentatifs. Une fois ce travail terminé, deux pistes pourront être suivies suivant l’intérêt du candidat :
1) soit le/la candidat(e) s’intéressera au déploiement de cette méthode dans le code Geant4 lui-même pour qu’il soit accessible à tous les physiciens pour qu’il soit dans la version officielle, 2) soit le/la candidat(e) mettra en place un dispositif expérimental pour comparer les résultats obtenus avec l’AMS à des données expérimentales.

[1] F. Cérou and A. Guyader, Stochastic Analysis and Applications 25(2):417-443, 2007
[2] H. Louvin et al., EPJ Web of Conferences, Vol153, EDP Sciences, 2017
[3] https://geant4.web.cern.ch
[4] L. Thulliez, B. Mom et E. Dumonteil, Nuclear Inst. and Methods in Physics Research, A 1051 (2023) 168190

The Monte Carlo simulation of particle transport has become central in many fields such as fundamental physics, medical physics or space applications just to name a few. In order to overcome the computation time inherent to this method, so-called "variance reduction" techniques are developed, whose objective is to "push" the particles towards the detector(s) without inducing bias on the computation results. Recently, a variance reduction method called Adaptive Multilevel Splitting (AMS) [1,2], which focuses on rare events, has been designed and implemented in different calculation codes, such as the Monte Carlo code TRIPOLI4 developed at CEA or the Monte Carlo code Geant4 developed at CERN by an international collaboration [3]. This method offers very interesting perspectives because it allows to preserve the correlations between the particles contributing to the measurement, which is not possible with standard variance reduction technics such as Importance Sampling.
This internship topic proposes to evaluate the interest of this approach in the context of fundamental physics, where simulations seek to detect rare events, as for example in experiments aiming to detect the coherent neutrino scattering at nuclear reactors (CEvNS). Indeed, these experiments regularly use coincidence detection methods to increase the signal-to-noise ratio (as an example, one can imagine the detection of a neutron in detector A and a photon in detector B). They represent a challenge in terms of numerical calculation because their simulation requires the sampling of an often-prohibitive number of events (so that a very small fraction of them contribute to the measurement).
The subject of this internship is therefore to use the AMS implemented in the Geant4 code and to optimize its parameters in so-called "multi-particle/multi-detector" configurations, in order to be able to simulate rare correlated events. The trainee will have to finalize the developments already undertaken (see [4]) and to verify their efficiency on different simple representative physical cases. Once this work is completed, two avenues can be pursued, depending on the candidate's interest:
1) either the candidate will be interested in deploying this method in the Geant4 code itself, so that it can be made available to all physicists for inclusion in the official version,
2) or the candidate will set up an experimental setup to compare the results obtained with AMS with experimental data.


[1] F. Cérou and A. Guyader, Stochastic Analysis and Applications 25(2):417-443, 2007
[2] H. Louvin et al., EPJ Web of Conferences, Vol153, EDP Sciences, 2017
[3] https://geant4.web.cern.ch
[4] L. Thulliez, B. Mom et E. Dumonteil, Nuclear Inst. and Methods in Physics Research, A 1051 (2023) 168190

physique nucléaire, des particules, mécanique quantique, neutronique

Nuclear and particle physics, quantum mechanics, neutronics

Méthode de réduction de variance

Variance reduction method

Python, C++, ROOT (est un plus/is an asset), Geant4 (est un plus/is an asset)

Nous proposons de développer la simulation d'un détecteur d'imagerie neutronique et d'évaluer ses performances en termes d'efficacité et de résolution spatiale.

We propose to design the simulation of a neutron imaging detector, and to evaluate its performance in terms of efficiency and spatial resolution

Pour accompagner le développement de Sources de Neutrons Compactes au CEA Saclay, nous menons une recherche de méthodes innovantes pour réaliser l'imagerie neutronique à haute résolution spatiale à l'aide d'un détecteur couplé à une caméra optique, domaine dans lequel d'énormes progrès ont été réalisés ces dernières années. Le candidat travaillera au développement de la simulation numérique d'un système de détection basé sur un convertisseur de neutrons suivi d'un détecteur couplé à une caméra optique. Le principe d'un convertisseur de neutrons est de produire des particules chargées après capture de neutrons thermiques. Nous étudions deux prototypes différents basés sur la détection de la particule chargée par un détecteur de type scintillateur ou gazeux. Dans les deux cas, la lumière émise par le détecteur sera redirigée vers une caméra optique pour encoder une image de la trace. Le système de détection (du convertisseur à la détection de la lumière dans la caméra) sera modélisé à l'aide du package de simulation de l’interaction rayonnement-matière GEANT4 . Les résultats des différentes configurations seront comparés et guideront la construction des prototypes.

To support the development of Compact Neutron Sources at CEA Saclay, we are studying innovative methods for high spatial resolution neutron imaging using a detector coupled to an optical camera, a field in which enormous progress has been made in recent years. The candidate will work on developing the numerical simulation of a detection system based on a neutron converter followed by a detector coupled to an optical camera. The principle of a neutron converter is to produce charged particles after capturing thermal neutrons. We are studying two different prototypes based on detection of the charged particle by a scintillator or gas detector. In both cases, the light emitted by the detector will be redirected to an optical camera to encode an image of the trace. The detection system (from the converter to the detection of the light in the camera) will be modeled using the GEANT4 radiation-matter interaction simulation package. The results of the different configurations will be compared, and will guide the construction of prototypes.

détecteurs de neutrons, simulation

neutron detection, simulation

Simulation d'un prototype à l'aide du logiciel GEANT4

Prototype simulation with GEANT4 package

C++, GEANT4

Le travail de stage consistera à développer des algorithmes de machine learning pour les appliquer à l'amélioration d'images obtenues par radiographie neutronique.

The internship will involve developing machine learning algorithms and applying them to the enhancement of neutron radiography images.

La neutronographie, ou radiographie neutronique, consiste à réaliser une image 2D d’un objet traversé par un flux de neutrons en mesurant les différences d’absorption et de diffusion de ces particules lors de la traversée des matériaux. Ce procédé permet un contrôle non-destructif d’objet à inspecter. Les images obtenues possèdent des caractéristiques extrêmement intéressantes, très différentes de celles obtenues par radiographie X, du fait des propriétés de l’interaction neutron-matière. En effet, les neutrons, essentiellement sensibles à l’interaction nucléaire, sont affectés par les éléments chimiques légers (surtout hydrogène), présents notamment dans les matières organiques, alors que les éléments plus lourds, comme les métaux, leur sont transparents. Ils permettent d’imager des substances organiques à l’intérieur d’objets métalliques. Ainsi la neutronographie trouve-t-elle des applications uniques en science des matériaux, en ingénierie, en archéologie ou dans l’étude d’œuvres d’art.
Les installations pratiquant la neutronographie sont traditionnellement localisées auprès des réacteurs nucléaires de recherche, ceux-ci fournissant une source abondante de neutrons. Toutefois, ce type de réacteurs se fait de plus en plus rare, une grande partie d’entre eux arrivant en fin de vie. Ainsi le réacteur de recherche Orphée du CEA a-t-il fermé en octobre 2019, alors qu’il était la seule installation de neutronographie en France. De nouvelles sources alternatives sont en cours de développement, basées sur les neutrons émis lors de réactions nucléaires produites par un faisceau de particules (par exemple des protons) accélérées, comme le projet SONATE. Ces nouvelles installations ont l’avantage d’être moins chères et plus souples que les réacteurs nucléaires, mais fournissent des flux de neutrons moins élevés.
La technologie traditionnellement utilisée pour l’imagerie est celle des films argentiques de haute résolution spatiale, afin de percevoir des détails de l’ordre de 50µm. Mais ces films ont une faible sensibilité et réclament donc des temps d’irradiation importants. D’autres types de films existent, plus sensibles, mais ayant des résolutions et des contrastes insuffisants pour les diagnostics industriels : plus un film est sensible, moins bonne est sa résolution spatiale. Toutefois, il est possible de numériser ces films argentiques et d’envisager alors d’améliorer leurs caractéristiques par un traitement de l’image adéquat, afin de parvenir aux niveaux de qualité requis. On pourrait donc travailler avec des films nécessitant des temps d’irradiation réduits. Toutefois, les films sont de très grande surface (35 x 35 cm2) : il faut veiller à optimiser le temps de traitement afin qu’il ne soit pas prohibitif dans le cadre d’une installation de neutronographie en exploitation (de l’ordre d’une heure).
Le travail de ce stage sera d’analyser des images d’objets produites par neutronographie avec des films argentiques de différentes sensibilités. L’objectif est double : i) étudier les possibilités d’amélioration de la résolution spatiales des films les plus sensibles, et ii) travailler sur l’utilisation d’algorithmes adaptés au traitement rapide des images. Ce traitement porte en particulier sur l’amélioration de la résolution spatiale des images, tout en garantissant une robustesse au bruit de mesure ainsi qu’un cas calculatoire faible. Pour ce faire, le stagiaire utilisera des algorithmes modernes de traitement de l’image, qui seront utilisés pour la première fois dans ce domaine d’application. Ce travail fera appel à des méthodes avancées de machine learning, fondés sur les techniques de déroulement d’algorithme (algorithm unrolling) pour la reconstruction d’image. Ces méthodes permettent de prendre en compte, de manière précise, le modèle de formation des images (e.g. la réponse instrumentale) et les statistiques de la mesure, ainsi que les structures des images à reconstruire. Ceci permettra potentiellement un gain de qualité de reconstruction (e.g. résolution spatiale et débruitage), ainsi qu’une analyse rapide. L’objectif final sera d’évaluer la capacité films argentiques de différentes sensibilités à repérer des défauts caractéristiques dans les pièces étudiées.
Equipe d’accueil
Le stage se déroulera sur le site du CEA Saclay, au sein de l’IRFU (Institut de Recherche sur les Lois Fondamentales de l’Univers) qui est très impliqué dans le développement d’une source de neutrons sur le site de Saclay. Le stage se déroulera entre le DPHN (Département de physique nucléaire) pour les données et les critères de qualité des images, et le DEDIP (Département d'Electronique, des Détecteurs et d'Informatique pour la Physique) pour le développement des algorithmes.
Le stage, rémunéré, doit faire partie du cursus obligatoire de l’étudiant.

Neutronography, or neutron radiography, consists of producing a 2D image of an object through which a beam of neutrons passes by measuring the differences in absorption and diffusion of these particles as they pass through the materials. This process enables non-destructive testing of the object to be inspected. The images obtained have extremely interesting characteristics, very different from those obtained by X-ray, due to the properties of neutron-matter interaction. Neutrons, which are essentially sensitive to nuclear interaction, are affected by light chemical elements (especially hydrogen), present in particular in organic materials, whereas heavier elements, such as metals, are transparent to them. They can be used to image organic substances inside metallic objects. Neutronography thus has unique applications in materials science, engineering, archaeology and the study of works of art.
Traditionally, neutronography facilities have been located close to nuclear research reactors, which provide an abundant source of neutrons. However, this type of reactor is becoming increasingly rare, with many of them reaching the end of their life. The CEA's Orphée research reactor, the only neutronography facility in France, closed in October 2019. New alternative sources are being developed, based on neutrons emitted during nuclear reactions produced by a beam of accelerated particles (e.g. protons), such as the SONATE project. These new facilities have the advantage of being cheaper and more flexible than nuclear reactors, but provide lower neutron fluxes.
The technology traditionally used for imaging is that of high spatial resolution silver film, to perceive details of the order of 50µm. However, these films have low sensitivity and therefore require long irradiation times. Other types of film exist, which are more sensitive, but have insufficient resolution and contrast for industrial diagnostics: the more sensitive a film is, the poorer its spatial resolution. However, it is possible to digitise these silver films and then consider improving their characteristics through appropriate image processing, in order to achieve the required levels of quality. We could therefore work with films requiring reduced irradiation times. However, the films have a very large surface area (35 x 35 cm2): care must be taken to optimise the processing time so that it is not prohibitive in the context of an operating neutronography facility (of the order of one hour).
The work of this internship will be to analyse images of objects produced by neutronography using silver films of different sensitivities. The aim is twofold: i) to study the possibilities for improving the spatial resolution of the most sensitive films, and ii) to work on the use of algorithms adapted to rapid image processing. This processing will focus in particular on improving the spatial resolution of images, while guaranteeing robustness to measurement noise and low computational costs. To achieve this, the trainee will use modern image processing algorithms, which will be used for the first time in this field of application. This work will make use of advanced machine learning methods, based on algorithm unrolling techniques for image reconstruction. These methods make it possible to take precise account of the image formation model (e.g. the instrumental response) and the measurement statistics, as well as the structures of the images to be reconstructed. This will potentially improve reconstruction quality (e.g. spatial resolution and denoising), as well as speeding up analysis. The final objective will be to evaluate the ability of silver films of different sensitivities to detect characteristic defects in the parts studied.
Host team
The internship will take place at the CEA Saclay site, within the IRFU (Institut de Recherche sur les Lois Fondamentales de l'Univers), which is heavily involved in the development of a neutron source on the Saclay site. The internship will be split between the DPHN (Department of Nuclear Physics) for the data and image quality criteria, and the DEDIP (Department of Electronics, Detectors and Computing for Physics) for the development of the algorithms.
The paid internship must be part of the student's mandatory courses.

Traitement du signal et traitement d'image, Machine learning, Neutronique

Signal processing, Image processing, Machine learning, Neutron physics

Traitement d'image Machine learning

Français, English ; C++, Python Github