2 sujets IRFU/DEDIP

Dernière mise à jour : 29-06-2022


««

• Informatique et logiciels

 

Algorithmes d'IA sobre pour la spectrométrie gamma dédiée à la mesure de terrain

SL-DRF-22-0521

Domaine de recherche : Informatique et logiciels
Laboratoire d'accueil :

Département d’Electronique, des Détecteurs et d’Informatique pour la physique (DEDIP)

Laboratoire ingénierie logicielle et applications spécifiques (LILAS)

Saclay

Contact :

Jérôme BOBIN

Christophe BOBIN

Date souhaitée pour le début de la thèse : 01-10-2022

Contact :

Jérôme BOBIN
CEA - DRF/IRFU/DEDIP/LILAS

0169084463

Directeur de thèse :

Christophe BOBIN
CEA - DRT/DM2I/LNHB/LMA

0169082964

Page perso : http://www.jerome-bobin.fr

L’analyse par spectrométrie gamma est une technique classique utilisée pour l’identification et la quantification de radionucléides dans une source radioactive dans des applications stratégiques telles que la surveillance aux frontières, le démantèlement, etc. Les méthodes actuelles d’analyse sont fondées sur le démélange spectral, utilisant une bibliothèque de spectres caractéristiques (signatures spectrales), pour chaque radionucléide à identifier. Le cas des mesures de terrain sur des dispositifs portables posent des défis algorithmiques de taille. D’une part, les signatures spectrales sont fixées, limitant fortement la robustesse des algorithmes d’identification à la variabilité des conditions de mesures de terrain ; les phénomènes d’atténuation ou de diffusion autour d’une source radioactive conduisent à de fortes distorsions des spectres mesurés. D’autre part, tant la faible quantité de données disponibles pour caractériser la grande variété des signatures mesurables sur le terrain, que l’utilisation de dispositifs portables requiert le développement d’algorithmes d’apprentissage automatique. L’objectif de la thèse est le développement d’une solution algorithmique combinant des algorithmes rapides avec un modèle d’apprentissage automatique sobre, requérant peu de données d’apprentissage, pour l’estimation conjointe des activités et des signatures spectrales des radionucléides à identifier. Cette solution sera développée de sorte à être implémentée sur un système numérique embarqué sobre en énergie (FPGA). Les travaux de thèse porteront également sur l’évaluation du bilan performances d’analyse (détection et identification) et sobriété énergétique.
Fusion de données multi/hyperspectrales par apprentissage machine, application à l’imagerie X en astrophysique

SL-DRF-22-0805

Domaine de recherche : Informatique et logiciels
Laboratoire d'accueil :

Département d’Electronique, des Détecteurs et d’Informatique pour la physique (DEDIP)

Laboratoire ingénierie logicielle et applications spécifiques (LILAS)

Saclay

Contact :

Jérôme BOBIN

Fabio Acero

Date souhaitée pour le début de la thèse : 01-10-2022

Contact :

Jérôme BOBIN
CEA - DRF/IRFU/DEDIP/LILAS

0169084463

Directeur de thèse :

Fabio Acero
CEA - DRF/IRFU/DAP/LEPCHE

0169084705

Avec l’avènement en astrophysique de télescopes embarquant divers instruments multi/hyperspectraux apportant des modalités de mesures complémentaires, le développement de méthodes de fusion de données adaptées ouvre la voie à une nouvelle approche pour la reconstruction d’images présentant à la fois une haute résolution spectrale et spatial, élément clef pour une exploitation optimale des données fournies par ces instruments. L’objectif de ce projet doctoral est le développement de méthodes de fusion de données permettant la prise en compte de toute la complexité des images multimodales réelles: couverture incomplète des images à analyser, bruits complexes. A cette fin, nous développerons des méthodes inspirées de méthodes récentes en machine learning (algorithm unrolling). Cette approche permettra la construction d’algorithmes hybrides permettant de prendre en compte l’intégralité de la complexité des mesures et l’apprentissage de régularisations apprises adaptées aux données à reconstruire, permettant ainsi un gain significatif de l’interprétabilité et de l’exploitabilité des résultats. Les outils développés seront appliqués et validés à des données simulées réalistes du télescope en X Athena ainsi qu’aux données réelles du télescope XRISM.

 

Retour en haut