L’avènement de l’intelligence artificielle rend envisageable l’accélération et la démocratisation du traitement de données de diffusion des rayons X aux petits angles (SAXS), une technique experte de caractérisation de nanomatériaux qui permet de déterminer la surface spécifique, la fraction volumique et les tailles caractéristiques de structures entre 0.5 à 200 nm.

Or, il y a une double problématique autour du SAXS assisté par Intelligence artificielle : 1) la rareté des données impose d’entraîner les modèles sur des données synthétiques, ce qui pose le problème de leur représentativité des données réelles, et 2) les lois de la physique stipulent qu’à une mesure de SAXS peuvent correspondre plusieurs nanostructures candidates, ce qui pose le problème de l’indiscernabilité des prédictions. Cette thèse vise donc à bâtir un modèle d’intelligence artificielle adapté au SAXS entraîné sur des données synthétiques validées expérimentalement, et sur la réponse experte qui pondère la catégorisation des prédictions par leur indiscernabilité.