Les sujets de thèses

2 sujets IRFU

Dernière mise à jour :


««

• Data intelligence dont Intelligence Artificielle

 

Intelligence artificielle pour la mesure de masse de précision d’isotopes exotiques

SL-DRF-24-0416

Domaine de recherche : Data intelligence dont Intelligence Artificielle
Laboratoire d'accueil :

Département Grand Accélérateur National d’Ions Lourds (GANIL)

Grand Accélérateur National d’Ions Lourds (GANIL)

Saclay

Contact :

Pierre DELAHAYE

Date souhaitée pour le début de la thèse : 01-10-2024

Contact :

Pierre DELAHAYE
CNRS - GANIL/Grand Accélérateur National d’Ions Lourds

02 31 45 4539

Directeur de thèse :

Pierre DELAHAYE
CNRS - GANIL/Grand Accélérateur National d’Ions Lourds

02 31 45 4539

Labo : https://www.ganil-spiral2.eu/wp-content/uploads/2023/10/AIMMEI-thesis2024.pdf

Lobjectif de cette thèse de doctorat est daméliorer la précision des mesures de masse des isotopes exotiques produits par le Super Spectrometer Separator (S3) à GANIL-SPIRAL2, en utilisant des techniques dacquisition de pointe qui intégrent lintelligence artificielle. Les capacités du spectromètre de masse à temps de vol PILGRIM pourront être pleinement exploitées par un développement collaboratif du système dacquisition FASTER au LPC Caen.
Problèmes inverses en astrophysique et Machine Learning

SL-DRF-24-0271

Domaine de recherche : Data intelligence dont Intelligence Artificielle
Laboratoire d'accueil :

Direction d’Astrophysique (DAP)

Laboratoire CosmoStat (LCS)

Saclay

Contact :

Samuel Farrens

Jean-Luc STARCK

Date souhaitée pour le début de la thèse : 01-01-2024

Contact :

Samuel Farrens
CEA - DRF/IRFU/DAP/LCS

28377

Directeur de thèse :

Jean-Luc STARCK
CEA - DSM/IRFU/SAp/LCS

01 69 08 57 64

Page perso : http://jstarck.cosmostat.org

Labo : http://www.cosmostat.org

LIA (intelligence artificielle) change significativement la manière de résoudre les problèmes inverses en astrophysique.
En radio-interférométrie, la detection de radio sources et leur classification nécessitent de prendre en compte de nombreux effets comme un bruit non-Gaussien, un échantillonnage incomplet de lespace de Fourier, et la nécessité de construire un ensemble de données suffisant pour le training. La difficulté augmente quand la source à reconstruire évolue dans le temps. On trouve de tels exemples de variations temporelles dans différents problèmes inverses en astrophysique comme les objets transitoires (supernovae, fast radio burst, etc).
ARGOS est un projet pilote pour un interféromètre radio qui effectuera des observations continues en temps réel à grand champ dans des longueurs donde centimétriques. La combinaison dun large champ de vision et dune sensibilité élevée permettra à ARGOS de détecter des sources transitoires qui varient sur des échelles de temps inférieures à une seconde. ARGOS sera capable de détecter des milliers de sursauts radio rapides par an. Ces événements devront être différenciés avec précision des autres sources transitoires détectées par ARGOS, telles que les supernovae, les sursauts gamma, les naines blanches, les étoiles à neutrons, les blazars, etc. Compte tenu des courtes échelles de temps de certains de ces événements transitoires et de la nécessité de un suivi rapide, ARGOS aura besoin de solutions de classification de pointe utilisant des architectures dapprentissage automatique de pointe.
Cette these consiste à developper des outils novateurs issue du machine learning pour résoudre des problèmes de reconstruction dimage et de classification de sources.

 

Retour en haut