Spectrométrie et Intelligence Artificielle : développement de modèles IA explicables, sobres et[...]

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

Résumé du poste

Un institut de recherche scientifique à Saclay propose une thèse sur l'utilisation de techniques d'intelligence artificielle pour analyser des matériaux. Les candidats doivent avoir un Master en Physique, Chimie ou Sciences des données. L'objectif est de développer des modèles IA pour quantifier les incertitudes de mesure dans le domaine de la spectrométrie.

Qualifications

• Une formation en Physique, Chimie ou Sciences des données est requise.

Responsabilités

• Développer un modèle d'incertitude avec apprentissage automatique.
• Utiliser des méthodes non linéaires pour réduire la dimensionnalité.
• Évaluer la généralisation de la méthodologie à d'autres techniques.

Formation

Master scientifique (Physique, Chimie) ou en Sciences des données

Description du poste

Description du sujet

Description du sujet de thèse

Domaine

Physique de l'état condensé, chimie et nanosciences

Sujets de thèse

Spectrométrie et Intelligence Artificielle : développement de modèles IA explicables, sobres et fiables pour l'analyse de matériaux

Contrat

Thèse

Description de l'offre

La découverte de nouveaux matériaux est cruciale pour répondre à de nombreux défis sociétaux actuels. Un des piliers de cette capacité de découverte est de disposer de moyens de caractérisation de ces matériaux qui soient rapides, fiables et dont les incertitudes de mesure soient qualifiées, voire quantifiées.

Ce projet de thèse s\'inscrit dans cette démarche et vise à l\'exploitation optimale des différentes techniques de spectrométrie induite par faisceaux d\'ions (IBA) en utilisant des méthodes d\'intelligence artificielle (IA) avancées. Le cadre est le développement de modèles IA explicables, sobres et fiables pour l\'analyse de matériaux.

Le sujet de thèse proposé ici se donne trois objectifs principaux :

• Développer un modèle d\'incertitude utilisant des techniques d\'apprentissage automatique sur des bases probabilistes pour quantifier les incertitudes associées à une prédiction.
• Du fait du très grand nombre de configurations possibles par analyse combinatoire, comprendre la dimensionnalité intrinsèque du problème et mettre en place des moyens de réduction massive de dimensionnalité, notamment des méthodes non linéaires telles que les autoencodeurs, ainsi que des concepts de PIML (Physics Informed Machine Learning).
• Évaluer la possibilité de généralisation de cette méthodologie à d\'autres techniques spectroscopiques.

Université / école doctorale

Sciences Chimiques: Molécules, Matériaux, Instrumentation et Biosystèmes (2MIB) — Paris-Saclay

Localisation du sujet

Saclay

Critères candidat

Formation recommandée

Master scientifique (Physique, Chimie) ou en Sciences des données

Demandeur

Disponibilité du poste

01/10/2025

Personne à contacter par le candidat

KHODJA Hicham <[e-mail]>
CEA
DRF/IRAMIS/NIMBE/LEEL
Hicham Khodja
Laboratoire d\'Études des Éléments Légers
DRF/IRAMIS/NIMBE/LEEL & UMR 3685 CEA-CNRS
Point courrier 127
CEA-Saclay
91191 Gif sur Yvette
France
0169086923 (fax)
01 69 08 28 95

Tuteur / Responsable de thèse

KHODJA Hicham <[e-mail]>
CEA
DRF/IRAMIS/NIMBE/LEEL
Hicham Khodja
Laboratoire d\'Études des Éléments Légers
DRF/IRAMIS/NIMBE/LEEL & UMR 3685 CEA-CNRS
Point courrier 127
CEA-Saclay
91191 Gif sur Yvette
France
0169086923 (fax)
01 69 08 28 95

En savoir plus

https://iramis.cea.fr/nimbe/leel/pisp/hicham-khodja/

https://iramis.cea.fr/en/nimbe/leel/