Incertitude de métamodèles de Machine Learning pour le calcul de débit de dose H/F

CEA; Saint-Paul-lès-Durance; Sur place; EUR 12 000 - 18 000; Temps partiel

Résumé du poste

Stage au CEA visant à développer des métamodèles basés sur le Machine Learning pour estimer le débit de dose en temps réel dans des environnements nucléaires. Vous travaillerez en collaboration entre Saclay et Cadarache, pour contribuer à des simulations immersives et à la sécurité des procédés.

Le candidat idéal a un profil ML ou physicien avec une première expérience en ML et une appétence pour les solutions hybrides et l’évaluation de l’incertitude.

Qualifications

• Profil ML ou physicien avec une première expérience en ML.
• Connaissances bas niveau en apprentissage automatique et matériaux de formation.
• Intérêt pour les environnements nucléaires et formation XR.

Responsabilités

• Étudier des méthodes hybrides ML pour estimer le débit de dose en temps réel.
• Comparer les approches comme GP et réseaux neuronaux selon précision et taille du modèle.
• Évaluer l’incertitude via Deep Ensembles et prédiction conforme.

Connaissances

Machine Learning

Physicien

Anglais intermédiaire

Formation

Bac+5 - Diplôme École d'ingénieurs

Master 2

Description du poste

Incertitude de métamodèles de Machine Learning pour le calcul de débit de dose H/F

Description du poste

Neutronique et physique des réacteurs

Intitulé de l'offre

Incertitude de métamodèles de Machine Learning pour le calcul de débit de dose H/F

Sujet de stage

L'objectif du stage est de contribuer à l'élaboration de méthodologies hybrides (Machine Learning) permettant de calculer le débit de dose dans des environnements nucléaires tels que des installations de fusion. Cette grandeur opérationnelle sert à la surveillance des risques radiologiques auxquels sont exposés des opérateurs humains lors des activités de maintenance et à la maintenance périodique des systèmes de manutention robotisés.

Pour de telles applications, la réalité virtuelle et l'évaluation en temps réel de la dose grâce à l'apprentissage automatique pourraient permettre une formation bien plus efficace des opérateurs. Des simulations Monte Carlo en 3D précises permettent ce calcul mais leur temps de calcul est incompatible avec un traitement temps-réel. Une approche hybride proposée dans ce stage associe une simulation globale exhaustive à une évaluation rapide et locale du débit de dose, pilotée par des algorithmes de Machine Learning.

Durée du contrat (en mois)

6 mois

Description de l'offre

Le calcul du débit de dose en temps réel est une préoccupation de l'IRFM pour la simulation d'opérations de maintenance dans les installations nucléaires. L'accès en temps réel des estimations du débit de dose permet en effet d’intégrer ce paramètre dans les simulations immersives XR développées au sein de l'institut. Une solution à cette difficulté pourrait être d'obtenir cette grandeur à l'aide de métamodèles basés sur des techniques de Machine Learning.

L’équipe a déjà étudié et défini les variables physiquement significatives servant d’entrées aux algorithmes d’apprentissage automatique, et a créé la première version de l’ensemble de données d’entraînement généré à partir de nombreuses simulations Monte Carlo réalisées avec TRIPOLI-4, qui pourrait être étendu si nécessaire. Des topologies préliminaires de réseaux de neurones ont été étudiées dans un premier temps pour modéliser le débit de dose, et des premières estimations d’incertitude ont été calculées à l’aide de l’approche des ensembles profonds (Deep Ensembles).

L’objectif principal de ce stage est d’étudier des approches alternatives aux réseaux neuronaux, telles que les processus gaussiens (GP), qui présentent l’avantage de fournir directement à la fois la prédiction et l’incertitude qui y est associée. Bien que les GP soient à l’origine mieux adaptés aux petits ensembles de données, plusieurs variantes ont été développées pour les grands ensembles de données (sparseGPs, GP variationnels basés sur des points inducteurs, GP locaux, etc.). Une attention particulière sera accordée à la contrainte de temps réel de notre application : le coût de prédiction d’un processus gaussien augmente avec la taille de l’ensemble de données d’apprentissage, tandis que les variantes tentent de le réduire (par exemple en utilisant des points inducteurs). Ces approches seront comparées aux réseaux neuronaux selon les mêmes critères : précision, taille du modèle et temps d'inférence. D'autres approches pertinentes pourront également être étudiées si elles sont identifiées.

Si cette tâche est menée à bien, l'équipe souhaite également vérifier l'étalonnage des incertitudes calculées à l'aide de la méthode des ensembles profonds (Deep Ensembles) pour les réseaux neuronaux. L'étalonnage des incertitudes sera étudié à l'aide de la méthode de prédiction conforme. La comparaison finale avec les GP nous permettrait d'avoir une vue d'ensemble complète.

L'intérêt pour le/la stagiaire est de contribuer à des projets internationaux au travers d’une problématique fondamentale pour les futures installations de fusion. Les domaines abordés dans le stage sont à la croisée de grands développements technologiques en cours partout dans le monde : l'IA et l'énergie nucléaire. Le/la stagiaire bénéficiera également de l'accompagnement de deux équipes : l'une à Saclay, spécialisée dans les techniques de Machine Learning, et l'autre à Cadarache, spécialisée dans la physique des réacteurs et la radioprotection.

L'Institut de Recherche sur la Fusion par Confinement Magnétique est l'un des départements de la Direction de la Recherche Fondamentale du CEA. Depuis plus de 50 ans, son rôle est de mener des recherches sur une nouvelle source d'énergie : la fusion par confinement magnétique, en s'associant avec le programme Fusion européen. L'IRFM est installé sur le Centre CEA de Cadarache. Les activités de L'IRFM sont structurées autour de trois axes de recherches de développement :

• contribuer à la réalisation du projet ITER et ceux de l'Approche Elargie (tokamak JT-60SA principalement),
• préparer l'opération scientifique d'ITER, à travers des activités d'expérimentation et de contrôle, ainsi que de théorie et de modélisation,
• établir les bases du futur réacteur de fusion.

Ces activités sont intimement connectées à un effort tout particulier de formation des générations futures de physiciens et de technologues de la fusion. L'IRFM a à sa disposition de nombreuses plateformes de R&D et de tests, dont le tokamak WEST (pour Tungsten (w) Environnement Steady-State Tokamak), transformation de Tore Supra en banc de test pour ITER, le nouveau tokamak du CEA va permettre de tester l'un des composants clé d'ITER et de poursuivre les recherches en physique des plasmas, dans un contexte international grâce aux nombreuses collaborations mises en place.

Profil du candidat

Un profil de Machine Learning ou de Physicien intéressé par le domaine du ML avec une petite expérience en ML

Localisation du poste

France, Provence-Côte d'Azur, Bouches du Rhône (13)

Critères candidat

Anglais (Intermédiaire)

Diplôme préparé

Bac+5 - Diplôme École d'ingénieurs

Formation recommandée

3ème année d'Ecole d'ingénieur, Master 2

Référence

2026-42186

Entité de rattachement

Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.

Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.

Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.

Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :

• La conscience des responsabilités
• La coopération
• La curiosité