Cependant, l’analyse des spectres n’est possible que si l’on contraint le modèle décrivant la diffusion Thomson, en choisissant une représentation de la fonction de distribution des particules chargées du plasma. Par exemple, c’est une Maxwellienne si le plasma est à l’équilibre. Le choix de la fonction de distribution est primordial car il modifie l’analyse des spectres.
De nombreux mécanismes physiques peuvent modifier la fonction de distribution. Leur identification nécessite de déterminer la forme de la fonction de distribution. C’est pourquoi nous souhaitons améliorer nos méthodes d’analyse en utilisant des techniques de dérivation automatique (automatic differentiation) et de réseau de neurones artificiels (RNA) s’appuyant sur des techniques de machine learning très récentes. Ces techniques vont nous permettre, via une paramétrisation de la fonction de distribution, de prédire la forme la plus probable de la fonction de distribution, ainsi que les paramètres plasma les plus pertinents pour un spectre donné. Ces paramètres sont les plus précis que l’on puisse obtenir pour caractériser un plasma. L’objectif du stage est donc de pouvoir disposer d’un outil d’analyse de la diffusion Thomson basé sur un RNA et de l’utiliser sur des données analytiques dans un premier temps, puis expérimentales. La connaissance des RNA n’est pas nécessaire, mais être à l’aise avec Python est indispensable.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.

Physique des plasmas créés par laser ; fusion par confinement inertiel (FCI) ; réseau de neurones ; diffusion Thomson ; python ; JAX
Machine learning
Bac+4/+5