Directeur de thèse : Mohammed KOUBITI

Laboratoire : PIIM, UMR7345 (http://piim.univ-amu.fr/)

Email & adresse : mohammed.koubiti@univ-amu.fr, Campus de St-Jérôme, Marseille, France.

Téléphone : +33 (0)4 13 94 47 47 

Exploration des plasmas de fusion en combinant la spectroscopie et l’intelligence artificielle scientifique

Description du sujet : Les outils d’intelligence artificielle occupent une place importante dans la science des plasmas [1] et en particulier dans la physique des plasmas [2-3]. En ce qui concerne la spectroscopie des plasmas, plusieurs applications de l’apprentissage automatique peuvent être trouvées, notamment la spectroscopie d’émission de faisceaux 2D dans le tokamak DIII-D pour l’inférence en temps réel de la dynamique des plasmas [4], l’émission d’hélium neutre dans des dispositifs à plasma linéaire pour prédire les paramètres du plasma à l’aide d’un algorithme de régression par vecteurs de support (SVM) [5], ou encore des travaux plus récents sur la raie Balmer-β (Hβ /Dβ) dans le tokamak WEST [6].

En tant que méthode non invasive, la spectroscopie d’émission est largement utilisée pour le diagnostic des plasmas de fusion magnétique. Plusieurs paramètres sont diagnostiqués, par exemple les densités et les températures des électrons et des principaux ions du plasma, les densités d’impuretés, ainsi que les températures et les concentrations des neutres isotopes de l’hydrogène. En ce qui concerne les isotopes d’hydrogène, la connaissance du rapport isotopique D/(D+T) est d’une grande importance, car l’inventaire du tritium est obligatoire dans les dispositifs de fusion magnétique fonctionnant avec des mélanges DT pour des raisons évidentes de sécurité. Pour déduire le rapport isotopique de l’hydrogène, nous avons construit un modèle prédictif basé sur l’application d’algorithmes de réseaux neuronaux convolutifs 1D (1D-CNN) aux spectres théoriques des raies Balmer Hα/Dα générés pour des températures neutres et des intensités de champ magnétique typiques des plasmas de bordure de tokamak composés de mélanges HD [7].

Dans cette thèse, il est proposé de développer des modèles prédictifs basés sur différentes architectures de réseaux neuronaux pour des conditions plus réalistes en considérant des plasmas composés de mélanges HD, DT et HDT, mais aussi d’appliquer ces modèles à des spectres expérimentaux provenant de différents tokamaks. Nous envisageons d’explorer les données expérimentales mesurées dans WEST (HD), JET (DT) grâce à la participation d’EUROfusion WPTE. Au-delà de leur utilité pour les futurs dispositifs de fusion comme ITER, le développement de modèles prédictifs ne se limitera pas aux spectres Hα/Dα/Tα, mais s’étendra à d’autres raies d’émission d’isotopes H et à des spectres d’impuretés comme les spectres EUV du tungstène [8], en collaboration avec des spectroscopistes de l’IRFM CEA ou d’autres groupes. Le candidat sélectionné aura pour tâche de développer, tester et valider des programmes informatiques couplant différentes architectures basées sur des réseaux neuronaux à divers spectres d’émission. Ces programmes devront être suffisamment généraux pour pouvoir être étendus à divers diagnostics. Des compétences en Python et en apprentissage automatique/apprentissage profond ainsi que des connaissances en plasma de fusion seront très appréciées.

References

[1] E. Anirudh et al, IEEE Transactions on Plasma Science 51 1750 (2023)

[2] C. M. Samuell et al, Rev. Sci. Instrum. 92 043520 (2021)

[3] B. Dorland, Machine-Learning for Plasma Physics and fusion energy, Journal of Plasma Physics (2022)

[4] L. Malhorta et al, 4^th IAEA Technical Meeting on fusion data processing, validation and analysis (2021)

[5] S. Kajita et al, AIP Advances, 10 025225 (2020)

[6] G. Ronchi et al, JQSRT 318 108925 (2024)

[7] N. Saura, M. Koubiti, S. Benkadda, Nucl. Materials Energy, 43 101935 (2025)

[8] N. Saura, R. Guirlet, M. Koubiti et al, Phys. Plasmas 32 083901 (2025).