La technique de corrélation, ou template matching, appliquée à la détection et l’analyse des événements sismiques a démontré sa performance et son utilité dans la chaîne de traitements du Centre National de Données du CEA/DAM. Malheureusement, cette méthode souffre en contrepartie de limitations qui bride son efficacité et son utilisation dans l’environnement opérationnel, liées d’une part au coût calcul d’un traitement massif des données, et d’autre part au taux de fausses détections que pourrait engendrer un traitement bas niveau. L’utilisation de méthodes de dé-bruitage en amont du traitement (exemple : deepDenoiser, par Zhu et al., 2020), pourrait de surcroît accroître le nombre de détections erronées. La première partie du projet de recherche consiste à fournir une méthodologie visant à améliorer les performances en temps de traitement du détecteur de multiplets, en faisant notamment appel aux techniques d’indexation de l’information élaborées en collaboration avec le LIPADE (méthode L-MESSI, Botao Peng, Panagiota Fatourou, Themis Palpanas. Fast Data Series Indexing for In-Memory Data. International Journal on Very Large Data Bases (VLDBJ) 2021). La seconde partie du projet porte sur le développement d’un outil de « filtrage » des fausses détections de type auto-encodeur construit par apprentissage statistique. La crise sismique Syrie-Turquie de février 2023, dominée par deux séismes de magnitude supérieure à 7,0, servira de base de données d’apprentissage pour cette étude.