Des données HETL d'interêt pour la FCI seront fournies, sur des gaz tels que le Krypton et l'Argon. Après avoir construit les réseaux de neurones sur ces données, le(a) stagiaire étudiera l'extension de ces réseaux vers de nouvelles données, soit produites par le même code dans des domaines différents, soit dans le même domaine mais avec des données plus prècises et plus rares.
Dans le premier cas, il s'agit de mettre en place de l'apprentissage actif : comment détecte-t-on de nouvelles données et comment les utilise-t-on pour ré-entraîner un modèle qui étend son domaine de validité? Les résultats obtenus permettront une utilisation de ces modèles avec confiance. Dans le deuxième cas, il faudra certainement augmenter la capacité de nos modèles, et utiliser le transfert d'apprentissage. Des modèles sur des données plus précises permettent d'envisager la résolution de problèmes inverses en spectroscopie (c'est à dire de remonter aux caractéristiques du plasma et du rayonnement à partir de spectres expérimentaux).Le(a) stagiaire construira de nombreux modèle d'IA (auto-encodeurs, FFNN, convolutionnels), mènera l'analyse statistique des données et des résultats des diverses approches qu'il(elle) testera. Un intérêt pour la physique des plasmas ou pour la FCI serait un réel avantage.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes en situation de handicap, cet emploi est ouvert à tous et toutes. Participant à la protection nationale, une enquête administrative est réalisée pour tous les salariés du CEA afin d'assurer l'intégrité et la sécurité de la nation.

physique des plasmas, deep learning.
Python
Bac+5