Les techniques d’intelligence artificielle (IA) et de science des données sont de plus en plus utilisées en physique, notamment dans les plasmas de fusion magnétique. Par exemple, la bibliothèque de fonctions de “Machine Learning” (ML) Sickitlearn [1] a récemment été utilisé pour prédire les paramètres du plasma dans les dispositifs à plasma linéaire PISCES-B et NAGDIS [2-3].
Contrairement à la technique standard du rapport des raies qui repose sur un modèle collisionnel-radiatif [4], dans [2-3] aucun modèle physique n’est combiné aux mesures spectroscopiques. Plus précisément, les intensités des raies de l’hélium neutre ont été traitées à l’aide d’un algorithme de régression par machine à vecteur de support de sickit-learn pour prédire les valeurs de densité et de température des électrons qui ont été comparées aux valeurs déduites de techniques de diagnostic indépendantes comme les sondes de Langmuir ou la diffusion Thomson [2-3].
Dans cette proposition, il est suggéré de coupler les techniques d’apprentissage automatique supervisé aux données spectroscopiques dans le but de diagnostiquer le plasma et de prédire les expériences futures. Dans un premier temps, le travail sera axé sur les données spectroscopiques des isotopes de l’hydrogène provenant des tokamaks, combinées à des systèmes de diagnostic indépendants pour la détermination des rapports isotopiques. L’inventaire en tritium étant obligatoire dans les dispositifs de fusion magnétique fonctionnant avec un mélange D-T pour des raisons de sécurité, la détermination du rapport isotopique de l’hydrogène D/(D+T) est d’une grande importance. Afin d’explorer les données expérimentales des décharges D-T réalisées récemment sur le JET et de mieux préparer les futures décharges D-T qui seront exploitées dans des dispositifs de fusion comme ITER, il est nécessaire de déterminer le rapport isotopique H/(H+D) et D/(D+T) pour les décharges H-D et D-T. Il existe peu de méthodes pour déduire le rapport isotopique H/(H+D) et D/(D+T). Il existe quelques méthodes pour déduire le rapport isotopique de l’hydrogène, comme l’analyse des gaz résiduels (RGA) [5] ou l’utilisation des spectres de la raie Balmer-a [6-7]. Le candidat aura pour tâche de développer un programme informatique (en Python) permettant d’ajuster les mesures spectrales expérimentales de la raie Hα/Dα [8]. La forme des raies Hα/Dα/Tα reflète plusieurs mécanismes de recyclage et est affectée principalement par les effets Zeeman et Doppler.
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. A. Drenik et al 2017 Phys. Scr. T170 014021
6. V. S. Neverov et al 2019 Nucl. Fusion 59 046011.
7. M. Koubiti and R. Sheeba 2019 atoms 7 23
8. M. Koubiti and M. Kerebel 2022 Appl Sci 12 9891
Ce stage peut être poursuivi par une thèse de doctorat avec un financement de l’école doctorale ED352.