Apport de l'intelligence artificielle à l'étude de la fission

CEA; Saclay; Sur place; EUR 20 000 - 40 000; Plein temps

Résumé du poste

Une institution de recherche en physique recherche un doctorant pour une thèse sur l'apport de l'intelligence artificielle à l'étude de la fission nucléaire. Le candidat travaillera sur des techniques de machine learning pour analyser des données expérimentales et identifier les fragments de fission, en étudiant leurs propriétés ainsi que leur désexcitation. Le poste est basé à Saclay, avec une disponibilité à partir du 1er octobre 2026.

Qualifications

• Compétences analytiques pour appliquer des techniques de machine learning aux données de fission.
• Capacité à travailler avec des jeux de données expérimentaux complexes.

Responsabilités

• Appliquer des techniques de machine learning pour identifier les fragments de fission.
• Analyser les propriétés des fragments de fission et de leurs émissions.

Formation

Master2 Physique nucléaire

Description du poste

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 compatible 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

Disponibilité du poste

01/10/2026

Personne à contacter par le candidat

GAUDEFROY Laurent
[e-mail]
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454

Tuteur / Responsable de thèse

GAUDEFROY Laurent
[e-mail]
CEA
DRF/IRFU/DPHN/LEARN
CEA Saclay
91940 Gif sur Yvette
0169087454

En savoir plus