Thèse (H/F) – Physique –Modélisation –YF/1

Modélisation Multi-Échelle de l’Interaction entre l’Hydrogène et les Matériaux du Nucléaire

 

Directeur de thèse :  Y. Ferro (Aix-Marseille Université) yves.ferro@univ-amu.fr

Co-directeur : E. Hodille (CEA – Cadarache) etienne.hodille@cea.fr

Co-encadrant :  J. Tranchida (CEA – IRESNE) julien.tranchida@cea.fr

 

Un financement de thèse pour une durée de trois ans sera disponible en septembre 2025 au Laboratoire Physique des Interactions Ioniques et Moléculaires (PIIM).

Nous étudions le comportement de l’hydrogène dans les matériaux de première paroi du Réacteur Expérimental Thermonucléaire International (ITER). Ce sujet s’inscrit dans un cadre Européen fortement structuré par le consortium EUROfusion Horizon Europe qui offre l’accès à un réseau collaboratif large et à des financements européens EURATOM.

Pour mener nos activités de modélisation du comportement de l’hydrogène dans les matériaux, nous mettons en oeuvre des méthodes de calcul de structures électroniques par DFT implémentée en ondes planes. Nous déterminons les propriétés électroniques et vibrationnelles, les énergies de solutions et de diffusion de l’hydrogène, de création de défauts, d’adsorption, de reconstruction de surface, etc. Sur la base de ces propriétés déterminées à température nulle, nous construisons des modèles thermodynamiques pour déterminer les propriétés macroscopiques du système en fonction des paramètres externes de température, de pression ou de potentiel chimique. Des modèles cinétiques sont également développés en collaboration avec l’Institut de Recherche sur la Fusion Magnétique (IRFM) au CEA Cadarache. Afin de compléter cette approche multi-échelle, nous intégrons de façon plus récente la dynamique moléculaire.

Dans ce projet, il s’agira de construire un potentiel interatomique ternaires par apprentissage machine pour le système W-Cu-H sur la base de calculs DFT. Ce travail qui a déjà commencé est réalisé en collaboration avec Julien Tranchida, IRESNE, CEA Cadarache. Nous construirons plusieurs modèles d’interfaces W/Cu et déterminerons les défauts induits par le raccordement des deux réseaux cristallins de géométrie et d’orientation différentes. Nous étudierons ensuite l’interaction de ces défauts avec l’hydrogène ainsi que leur impact sur les propriétés de diffusion de l’hydrogène à l’interface cuivre-tungstène.

Le/la candidat(e) bénéficiera d’un encadrement structuré, aura accès à de larges compétences scientifiques, chacun des encadrants couvrant un domaine d’expertise propre (DFT et Thermodynamique, Cinétique, Dynamique Moléculaire et potentiels ML), et contribuera à un sujet développé dans un cadre International, bénéficiant de financements et de moyens de calculs Européens.

Le / La candidat(e) intéressé(e) possèdera idéalement de bonnes connaissances parmi les méthodes suivantes : calcul de structures électroniques (si possible DFT en onde plane), thermodynamique statistique, dynamique moléculaire. Des compétences en langage Python, script bash, Fortran 90, et en machine-learning seraient appréciées.

Thèse (H/F) – Physique –Modélisation – JR/1

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).

 

Thèse (H/F) – Physique –Modélisation – MK/1

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).

 

Stage M2 – Physique – Modélisation – PATP/MK/1

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.