2025-2026  – Stage M2 (4-6 mois)

 Application du Deep-Learning (DL) à la spectroscopie d’émission des plasmas de fusion 

Laboratoire : PIIM, UMR7345, équipe PATP (Physique atomique et transport dans les plasmas)

Responsable de stage : Mohammed KOUBITI (mohammed.koubiti@univ-amu.fr)

Adresse : Campus St Jérôme, Service 232, Av. Escadrille Normandie Niemen, Marseille

Téléphone : +33 (0)4 13 94 64 47

Type de recherche : Théorie/Modélisation numérique/Comparaison avec des données expérimentales

Description du sujet : L’intelligence artificielle (IA) est de plus en plus utilisée en physique, notamment dans le domaine des plasmas de fusion magnétique. Par exemple, un algorithme d’apprentissage automatique (ML) [1] a récemment été utilisé pour prédire les paramètres du plasma pour les dispositifs à plasma linéaire PISCES-B et NAGDIS [2-3]. Contrairement à la technique standard du rapport de raies qui repose sur la modélisation collisionnelle-radiative [4], dans [2-3], aucun modèle physique n’est combiné aux mesures spectroscopiques. Plus précisément, à partir des intensités de quelques raies d’hélium neutre, la densité et la température électroniques ont été prédites par l’algorithme d’apprentissage automatique et comparées à leurs valeurs mesurées par des techniques de diagnostic indépendantes telles que les sondes de Langmuir ou la diffusion Thomson [2-3]. Dans cette proposition de stage, nous suggérons d’appliquer des techniques d’apprentissage profond aux spectres de raies des isotopes d’hydrogène dans les plasmas tokamak. Nous appliquerons en particulier des réseaux neuronaux denses (DNN) et des réseaux neuronaux convolutifs (CNN) aux spectres générés des isotopes d’hydrogène dans le but de diagnostiquer le plasma et de faire des prévisions pour de futures expériences. Notre objectif en appliquant les techniques DL à l’émission de raies d’isotopes d’hydrogène dans les tokamaks est de prédire le rapport isotopique de l’hydrogène (défini comme D/(D+T) pour un mélange D-T), dont la connaissance est très importante pour des raisons de sécurité et de contrôle des performances de réaction [5-7]. Les algorithmes peuvent également être appliqués aux spectres d’impuretés afin de prédire leurs paramètres plasmatiques, tels que la température électronique. Le candidat aura pour tâche de développer un programme informatique (en Python) permettant d’appliquer les algorithmes DNN et CNN aux spectres de raies Ha/Da/Ta générés par un code existant pour diverses conditions en termes de températures neutres, de densités de population neutres, d’intensité du champ magnétique et de rapport isotopique de l’hydrogène. Grâce à sa participation aux tâches d’analyse des données du plan de travail EUROfusion Tokamak Exploitation (TE) pour plusieurs tokamaks, dont le JET, le candidat pourra également appliquer les modèles d’apprentissage profond formés aux données expérimentales provenant d’appareils tels que le JET et/ou le WEST.

References

1. F. Pedregosa et al, the Journal of machine Learning research 12 (2011) 2825.
2. S. Kajita et al, AIP Advances 10 (2020) 025225.
3. D. Nishijima et al, Rev. Sci. Instrum. 92 (2021) 023505.
4. S. Kajita et al, Plasma Phys. Control. Fusion 63 (2021) 055018.
5. M. Koubiti and M. Kerebel, Appl Sci 12 (2022) 9891.
6. M. Koubiti, Eur. Phys. J. D 77 (2023)137.
7. N. Saura, M. Koubiti, S. Benkadda, Nuclear Materials and Energy 43 (2025) 101935.

Ce stage pourra être suivi d’une thèse de doctorat financée par l’école doctorale ED352.