Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
SL-DRF-25-0414
Direction
DRF
Description du sujet de thèse
Domaine
Physique de l'état condensé, chimie et nanosciences
Sujets de thèse
Spectrométrie et Intelligence Artificielle : développement de modèles IA explicables, sobres et fiables pour l'analyse de matériaux
Contrat
Thèse
Description de l'offre
La découverte de nouveaux matériaux est cruciale pour répondre à de nombreux défis sociétaux actuels. Un des piliers de cette capacité de découverte et de disposer de moyens de caractérisation de ces matériaux qui soient rapides, fiables et dont les incertitudes de mesure soient qualifiées, voire quantifiées.
Ce projet de thèse s’inscrit dans cette démarche et vise à l'exploitation optimale des différentes techniques de spectrométrie induite par faisceaux d'ions (IBA) en utilisant des méthodes d'intelligence artificielle (IA) avancées. Ce projet se donne pour cadre le développement de modèles IA explicables, sobres et fiables pour l'analyse de matériaux.
Le sujet de thèse proposé ici se donne trois objectifs principaux :
- Développer un modèle d'incertitude utilisant des techniques d’apprentissage automatique sur des bases probabilistes pour quantifier les incertitudes associées à une prédiction.
- Du fait du très grand nombre de configurations qu'il est possible de générer par analyse combinatoire, Il convient de bien comprendre la dimensionnalité intrinsèque du problème. Nous souhaitons mettre en place des moyens de réduction massive de dimensionnalité, notamment des méthodes non linéaires telles que les autoencodeurs, ainsi que des concepts de PIML (Physics Informed Machine Learning).
- Évaluer la possibilité de généralisation de cette méthodologie à d’autres techniques spectroscopiques.
Université / école doctorale
Sciences Chimiques: Molécules, Matériaux, Instrumentation et Biosystèmes (2MIB)
Paris-Saclay
Localisation du sujet de thèse
Site
Saclay
Critères candidat
Formation recommandée
Master scientifique (Physique, Chimie) ou en Sciences des données
Demandeur
Disponibilité du poste
01/10/2025
Personne à contacter par le candidat
KHODJA Hicham
hicham.khodja@cea.fr
CEA
DRF/IRAMIS/NIMBE/LEEL
Hicham Khodja
Laboratoire d’Études des Éléments Légers
DRF/IRAMIS/NIMBE/LEEL & UMR 3685 CEA-CNRS
Point courrier 127
CEA-Saclay
91191 Gif sur Yvette
France
0169086923 (fax)
01 69 08 28 95
Tuteur / Responsable de thèse
KHODJA Hicham
hicham.khodja@cea.fr
CEA
DRF/IRAMIS/NIMBE/LEEL
Hicham Khodja
Laboratoire d’Études des Éléments Légers
DRF/IRAMIS/NIMBE/LEEL & UMR 3685 CEA-CNRS
Point courrier 127
CEA-Saclay
91191 Gif sur Yvette
France
0169086923 (fax)
01 69 08 28 95
En savoir plus
https://iramis.cea.fr/nimbe/leel/pisp/hicham-khodja/
https://iramis.cea.fr/en/nimbe/leel/