Durée : 4-6 mois

Laboratoire: PIIM, UMR7345, groupe PATP (Physique Atomique et Transport dans les Plasmas) 

Superviseur: 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 les plasmas de fusion magnétique. Par exemple, un algorithme d’apprentissage automatique (ML) [1] a été utilisé récemment 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 des raies qui repose sur une modélisation collisionnelle-radiative [4], dans [2-3], aucun modèle physique n’est associé aux mesures spectroscopiques. Plus précisément, en utilisant les intensités de quelques raies de l’hélium neutre, la densité électronique et la température ont été prédites par l’algorithme ML 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 proposons d’appliquer des techniques d’apprentissage profond aux spectres de raies des isotopes de l’hydrogène dans les plasmas de tokamaks. Nous appliquerons en particulier les réseaux neuronaux denses (DNN) et les réseaux neuronaux convolutifs (CNN) aux spectres générés des isotopes de l’hydrogène dans le but de diagnostiquer les plasmas et de prédire les expériences futures. L’objectif de l’application des techniques DL à l’émission de raies des isotopes de l’hydrogène dans les tokamaks est la prédiction du rapport isotopique de l’hydrogène (défini comme D/(D+T) pour un mélange D-T) dont la connaissance est d’une grande importance pour des raisons de sécurité et pour le contrôle de la performance de la réaction [5-6].

Les algorithmes peuvent également être appliqués aux spectres d’impuretés pour prédire leurs paramètres de plasma tels que la température des électrons. Le candidat aura pour tâche de développer un programme informatique (en Python) permettant d’appliquer les algorithmes DNN et CNN aux spectres des raies Ha/Da/Ta générés par un code existant pour différentes conditions en termes de températures neutres, de densités de population neutre, d’intensité du champ magnétique et de rapport isotopique de l’hydrogène. Grâce à son implication dans les tâches d’analyse de 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 entraînés aux données expérimentales provenant de dispositifs tels que le JET et/ou WEST. 

1. F. Pedregosa et al 2011 the Journal of machine Learning research 12 2825
2. S. Kajita et al 2020 AIP Advances 10 025225
3. D. Nishijima et al 2021 Rev. Sci. Instrum. 92 023505
4. S. Kajita et al 2021 Plasma Phys. Control. Fusion 63 055018
5. M. Koubiti and M. Kerebel 2022 Appl Sci 12 9891
6.  N. Saura, M. Koubiti, S. Benkadda, Study of line spectra emitted by hydrogen isotopes in tokamaks through Deep-Learning algorithms, submitted to Journal of Nuclear Material Energy (2024).

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