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 

Financement : Processus de sélection par l’école doctorale ED 352, AMU

Exploration des réseaux neuronaux profonds pour la spectroscopie des plasmas de fusion

Description du sujet : Les outils d’intelligence artificielle prennent une place importante dans la science des plasmas [1] et en particulier dans la physique des plasmas [2-4]. Cependant, l’intégration de l’apprentissage automatique dans le domaine de la spectroscopie des plasmas est peu développée malgré quelques publications comme celles concernant la spectroscopie d’émission de faisceaux 2D dans le tokamak DIII-D pour l’inférence en temps réel de la dynamique des plasmas [5], ou l’émission d’hélium neutre dans les dispositifs à plasma linéaire pour prédire les paramètres du plasma à l’aide d’un algorithme de régression à vecteur de support (SVM) au lieu de la technique standard du rapport des raies reposant sur la modélisation collisionnelle-radiative [6-7], ou un travail plus récent sur la raie Balmer-b (Hb /Db) dans le tokamak WEST [8].

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 des impuretés, ainsi que les températures et les concentrations des isotopes neutres de l’hydrogène. En ce qui concerne les isotopes de l’hydrogène, la connaissance du rapport isotopique D/(D+T) est d’une grande importance puisque 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 denses (DNN) aux spectres théoriques de la raie Balmer Ha/Da générés pour des températures neutres et des intensités de champ magnétique typiques des plasmas de bord de tokamak [9-10].

Plus récemment, le modèle a été amélioré par l’utilisation de réseaux neuronaux convolutionnels 1D (1D-CNN) [11] pour les mélanges HD. Dans cette thèse, il est proposé de développer des modèles prédictifs basés sur différents réseaux neuronaux pour des conditions plus réalistes en considérant les plasmas DT et HDT, mais aussi d’appliquer les modèles aux spectres expérimentaux de différents tokamaks. Nous envisageons d’explorer les données expérimentales mesurées dans WEST (HD), JET (DT) et également JT-60SA grâce à l’implication d’EUROfusion WPTE. Au-delà de leur utilité pour les futurs dispositifs de fusion comme ITER, le développement de modèles prédictifs ne sera pas limité aux spectres Ha/Da/Ta mais étendu aux isotopes H et aux spectres d’impuretés.

Le candidat sélectionné aura pour tâche de développer, tester et valider des programmes informatiques couplant les algorithmes NN aux spectres. Ces programmes devraient être plus généraux afin d’être étendus à divers diagnostics.

Des compétences en Python et en apprentissage automatique ainsi que des connaissances sur les plasmas de fusion seront très appréciées.

Références

[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] Machine-Learning methods in plasma physics, Contrib. Plasma Phys., 63, Issues 5-6 (2023)

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

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

[7] D. Nishijima et al, Rev. Sci. Instrum., 92, 023505 (2021)

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

[9] M. Koubiti and M. Kerebel, Appl Sci, 12, 9891 (2022).

[10] M. Koubiti EPJD, 77, 137 (2023).

[11] N. Saura, M. Koubiti and S. Benkadda, submitted to JNME (2024).