Description du sujet de thèse
Domaine
Physique corpusculaire et cosmos
Sujets de thèse
Apport de l'intelligence artificielle à l'étude de la fission
Contrat
Thèse
Description de l'offre
La fission nucléaire est un processus extrême au cours duquel un noyau lourd se déforme jusqu'à atteindre un point de non retour conduisant à sa séparation en deux fragments. Le processus s'accompagne d'un relâchement important d'énergie, principalement sous forme d'énergie cinétique des fragments nouvellement formés, mais aussi d'énergie d'excitation (typiquement une quinzaine de MeV par fragment). Par ailleurs, les fragments sont aussi produits avec un moment angulaire élevé. C'est par le biais de l'émission de neutrons et de photons que les fragments de fission évacuent leur énergie d'excitation et moment angulaire. L'expérience ultime en fission consisterait à identifier en masse et charge chaque fragment; mesurer leur énergie cinétique; et caractériser en énergie et multiplicité les neutrons et photons qu'ils émettent. Ce jeu de données permettrait en effet d'accéder à l'énergétique globale du processus de fission et à caractériser complètement la désexcitation des fragments. De part la complexité importante d'une telle mesure exclusive, ce jeu de données est toujours manquant.
Notre équipe s'oriente vers de telles mesures et ce travail de thèse vise à explorer les bénéfices que peuvent apporter les techniques de machine learning dans cette optique.
La thèse consistera à tirer partie de l'ensemble des données multi-corrélées accessibles expérimentalement afin d'alimenter des algorithmes de machine learning dont le but sera d'identifier les fragments de fission et de déterminer leurs propriétés.
Les techniques développées seront appliquées à un premier jeu de données utilisant une double chambre d'ionisation pour la détection des fragments de fission couplée à un ensemble de détecteur neutrons. Les données seront acquises en début de doctorat.
Dans un second temps, une étude plus exploratoire consistera à appliquer les mêmes techniques à des données obtenues durant le doctorat en utilisant une chambre à projection temporelle comme détecteur de fragments de fission. Il s'agira de démontrer que la résolution en énergie cinétique obtenue est compatibles avec l'étude de la fission.
Université / école doctorale
PHENIICS (PHENIICS)
Paris-Saclay
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
Master2 Physique nucléaire
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
GAUDEFROY Laurent < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454
Tuteur / Responsable de thèse
GAUDEFROY Laurent < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454
En savoir plus
Domaine
Physique corpusculaire et cosmos
Sujets de thèse
Apport de l'intelligence artificielle à l'étude de la fission
Contrat
Thèse
Description de l'offre
La fission nucléaire est un processus extrême au cours duquel un noyau lourd se déforme jusqu'à atteindre un point de non retour conduisant à sa séparation en deux fragments. Le processus s'accompagne d'un relâchement important d'énergie, principalement sous forme d'énergie cinétique des fragments nouvellement formés, mais aussi d'énergie d'excitation (typiquement une quinzaine de MeV par fragment). Par ailleurs, les fragments sont aussi produits avec un moment angulaire élevé. C'est par le biais de l'émission de neutrons et de photons que les fragments de fission évacuent leur énergie d'excitation et moment angulaire. L'expérience ultime en fission consisterait à identifier en masse et charge chaque fragment; mesurer leur énergie cinétique; et caractériser en énergie et multiplicité les neutrons et photons qu'ils émettent. Ce jeu de données permettrait en effet d'accéder à l'énergétique globale du processus de fission et à caractériser complètement la désexcitation des fragments. De part la complexité importante d'une telle mesure exclusive, ce jeu de données est toujours manquant.
Notre équipe s'oriente vers de telles mesures et ce travail de thèse vise à explorer les bénéfices que peuvent apporter les techniques de machine learning dans cette optique.
La thèse consistera à tirer partie de l'ensemble des données multi-corrélées accessibles expérimentalement afin d'alimenter des algorithmes de machine learning dont le but sera d'identifier les fragments de fission et de déterminer leurs propriétés.
Les techniques développées seront appliquées à un premier jeu de données utilisant une double chambre d'ionisation pour la détection des fragments de fission couplée à un ensemble de détecteur neutrons. Les données seront acquises en début de doctorat.
Dans un second temps, une étude plus exploratoire consistera à appliquer les mêmes techniques à des données obtenues durant le doctorat en utilisant une chambre à projection temporelle comme détecteur de fragments de fission. Il s'agira de démontrer que la résolution en énergie cinétique obtenue est compatibles avec l'étude de la fission.
Université / école doctorale
PHENIICS (PHENIICS)
Paris-Saclay
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
Master2 Physique nucléaire
Demandeur
Disponibilité du poste
01/10/2026
Personne à contacter par le candidat
GAUDEFROY Laurent < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454
Tuteur / Responsable de thèse
GAUDEFROY Laurent < E-Mail aus Sicherheitsgründen gelöscht >
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454
En savoir plus
