Catégorie d'emplois : Physique

Directeur de thèse : Joël Rosato

Coordonnées : joel.rosato@univ-amu.fr

Tél. +33-413945714

 

Sujet : Etude spectroscopique de l’atmosphère des naines blanches

Description du sujet :

Les naines blanches sont des corps extrêmement denses, issus de l’évolution des étoiles de masse modérée. Avec les étoiles à neutrons et les trous noirs, elles constituent l’un des états ultimes de la vie d’une étoile. D’après les observations et les modèles actuels, on admet que la plupart des étoiles (de l’ordre de 90%), incluant le Soleil, deviendront une naine blanche [1,2]. Les naines blanches ne produisent plus d’énergie par fusion nucléaire ; au lieu de cela, elle se refroidissent lentement en évacuant leur énergie par rayonnement. La structure interne des naines blanches est déterminée par l’équilibre qu’il y a entre les forces de gravitation et de pression. Les naines blanches sont qualifiées d’objets compacts car la densité est très élevée (jusqu’à 106 g/cm3), si bien que le champ de pesanteur est intense. Le temps caractéristique de refroidissement d’une naine blanche dépend de la structure de son atmosphère, et notamment de son opacité au rayonnement qui vient du coeur. Des études ont montré que la plupart des naines blanches ont une atmosphère constituée majoritairement d’hydrogène, les éléments plus lourds étant situés à des niveaux plus profonds en raison du fort champ de pesanteur [3,4]. Cette atmosphère peut être assimilée à un plasma d’hydrogène ayant des propriétés similaires à certains plasmas créés en laboratoire. Les naines blanches à forte teneur en hydrogène présentent sur leur spectre des raies d’absorption très marquées, notamment dans la série de Balmer. On les classifie comme étant de type DA. La densité électronique dans une atmosphère de naine blanche est élevée (elle peut dépasser 1017 cm-3), si bien que les raies sont élargies par effet Stark et, en conséquence, peuvent servir à déterminer la densité électronique Ne.

L’objectif de cette thèse est d’améliorer la précision des modèles de profils de raies utilisés pour le diagnostic des naines blanches. Des problèmes spécifiques devront être abordés, comme par exemple la prise en compte des effets de dynamique des ions sur l’élargissement Stark [5]. Des raies présentant une structure de triplet Zeeman ont été observées sur certaines étoiles, indiquant la présence d’un fort champ magnétique [6,7]. Des études devront être réalisées. En raison de la proximité du sujet avec les problématiques actuelles sur les machines de fusion magnétique, des modèles et des codes de calcul développés pour les tokamaks et disponibles au laboratoire pourront être adaptés. Une partie du travail sera dédiée à des calculs de spectres synthétiques et nécessitera une modélisation de la structure de l’atmosphère stellaire.

 

Références bibliographiques :

[1] S. L. Shapiro and S. A. Teukolsky, Black Holes, White Dwarfs, and Neutron Stars – The Physics of Compact Objects (Wiley, 2004).

[2] D. Koester and G. Chanmugam, Rep. Prog. Phys. 53, 837 (1990).

[3] G. Fontaine and G. Michaud, Astrophys. J. 231, 826 (1979).

[4] R. D. Rohrmann, Mon. Not. R. Astron. Soc. 323, 699 (2001).

[5] R. Stamm and D. Voslamber, J. Quant. Spectrosc. Radiat. Transfer 22, 599 (1979).

[6] B. Külebi et al., Astron. Astrophys. 506, 1341 (2009).

[7] S. O. Kepler et al., Mon. Not. R. Astron. Soc. 429, 2934 (2013).

 

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).