Conception d’alliages à Haute entropie (thermodynamique prédictive, Machine learning) et fabrication rapide par frittage SPS
Le travail proposé vise à utiliser des méthodes de fouille de données (réseaux de neurones artificiels, Random Forest, processus Gaussiens) combinée avec la thermodynamique prédictive (méthode CALPHAD) pour découvrir de nouveaux alliages HEA dans le domaine à 6 éléments Fe-Al-Ni-Co-Mo-Cr. Des méthodes expérimentales de densification rapide (frittage assisté par courants électromagnétiques pulsés (SPS pour Spark Plasma Sintering)) et de dispense automatisée de poudre seront utilisées pour la fabrication rapide des compositions identifiées. Des méthodes de caractérisation semi-automatisées permettront d’alimenter des bases de données avec des mesures rapides de propriétés physiques (densité, taille de grains, dureté). La prédiction de propriétés d’usage pour deux cas d’application (corrosion par des sels fondus et propriétés mécaniques pour application structurale) sera réalisée et les alliages correspondant élaborés pour validation expérimentale.
Détection frugale non supervisée d'anomalies de signal
Notre laboratoire, situé à Digiteo au CEA Saclay, recherche un candidat postdoc pour travailler sur la détection d'anomalies dans les processus de manufacturing, pour une durée de 18 mois à partir de février 2022. Ce travail s'inscrit dans le projet HIASCI (Hybridation des IA et de la Simulation pour le Contrôle Industriel), un projet CEA LIST sous forme de collaboration interne qui vise à développer une plateforme de méthodes et outils d'IA pour les applications en manufacturing, du contrôle qualité au monitoring de procédé. La contribution de notre laboratoire dans HIASCI consiste à développer des méthodes efficaces pour la détection d'anomalies dans des signaux acoustiques ou vibratoires, opérant sur peu de données d'apprentissage. Dans ce contexte, la détection des anomalies du signal revient à extraire des données les informations relatives au processus physique de manufacturing, qui est en général trop complexe pour pouvoir être parfaitement compris. En outre, les données réelles d'état anormaux sont relativement rares et souvent coûteuses à collecter. Pour ces raisons, nous privilégions une approche fondée sur les données, dans le cadre d'un apprentissage frugal (few-shot learning).
Calibration automatique de boites quantiques assistée par réseaux de neurones et modèle physique
Les ordinateurs quantiques offrent de grandes promesses pour faire progresser la science, la technologie et la société en résolvant des problèmes au-delà des capacités des ordinateurs classiques. L'une des technologies de bits quantiques (qubits) les plus prometteuses est celle des qubits de spin, basés sur des boîtes quantiques (BQ) tirant parti de la grande maturité et de l'évolutivité des technologies des semi-conducteurs. Cependant, l'augmentation du nombre de qubits de spin nécessite de surmonter d'importants défis d'ingénierie, tels que la calibration de charge d'un très grand nombre de BQ. Le processus de calibration des BQ implique de multiples étapes complexes qui sont actuellement effectuées manuellement par les expérimentateurs, ce qui est long et fastidieux. Il est maintenant crucial de résoudre ce problème afin d'accélérer la R&D et de permettre la réalisation d’ordinateurs quantiques à grande échelle.
L'objectif de ce projet de post-doctorat est de développer un logiciel de calibration automatique de BQ combinant un réseau de neurones bayésien (BayNN) et un modèle physique reproduisant le comportement des dispositifs du CEA-Leti. Cette approche innovante tirant parti des estimations d'incertitude des BayNN et l’aspect prédictif du modèle permettra d’obtenir une solution de calibration automatique rapide et robuste aux non-idéalités des BQ.
Machine learning et simulateur pour l'estimation d'état d'un processus dynamique
Le but est de décrire au mieux l’état réel d'un procédé d'extraction liquide-liquide sur la base des données enregistrées. Or, ces dernières sont, par nature, entachées d’incertitudes et sous l’influence de variables exogènes qui ne sont pas enregistrées ni intégrées dans le jumeau numérique. Il est donc nécessaire de travailler le recollement des données entre la réalité et le simulé par PAREX+, simulateur dédié à ce type de procédé. Le code PAREX+ sera utilisé pour constituer une base conséquente de simulations : à chaque essai de paramètres opératoires (pavage de l’espace) sera associée la réponse dynamique du système. Le réseau de neurones convolutionnel (CNN) cherchera à résoudre le problème inverse : apprendre sur l’ensemble des réponses dynamiques les jeux de paramètres opérationnels possibles. Un enrichissement progressif de la base de données sera effectué dans les zones où le CNN ne sera pas assez performant. Une fois calibré, le CNN sera confronté aux données réelles et modifié pour tenir compte des imperfections des données. La finalité du CNN est d’être capable de bien identifier les paramètres du procédé à chaque pas de temps à des fins de contrôle et de diagnostic en temps réel : la dynamique observée est-elle celle attendue ?
Développement des traitements par Intelligence Artificielle d’une station de mesure et prévision
Le Commissariat à l’Energie Atomique (CEA) lance un projet appelé « MultiMod'Air » consistant à développer en 2 ans un prototype de station de mesure et de prévision de la qualité de l'air dite « intelligente ».
Ce projet pluridisciplinaire implique une vingtaine d’ingénieurs et de chercheurs du CEA, spécialisés chacun dans un domaine particulier.
Le sujet proposé consiste à mettre au point différentes briques d’Intelligence artificielle (IA) en commençant par quelques étapes, maitrisées mais innovantes, de correction par Réseau de Neurones Artificiels (RNA) des mesures de qualité de l’air effectuées par des capteurs à bas coût, ainsi que des prévisions météorologiques au niveau de la station.
Le cœur du travail de recherche concernera la mise au point d’une prévision de la pollution au niveau de la station par apprentissage sur les évènements passés.
Le post-doc sera encadré par un météorologue et par un spécialiste en IA. Il sera assisté d’un ingénieur IA pour les traitements de données.
Optimisation combinatoire des matériaux de base dans le cadre du design de nouveaux matériaux
Le design de nouveaux matériaux est un domaine qui connait un intérêt croissant, notamment avec l’apparition des procédés de fabrication additive, de dépôt de couches minces, etc. Afin de créer de nouveaux matériaux dans le but de cibler des propriétés intéressantes pour un domaine d’application, il est souvent nécessaire de mélanger plusieurs matières premières.
Une modélisation physico-chimique des réactions qui se produisent lors de ce mélange est souvent très difficile à obtenir, d’autant plus lorsque le nombre de matières premières augmente. Nous souhaitons nous affranchir autant que possible de cette modélisation. A partir de données expérimentales et de connaissances métiers, le but de ce projet est de créer une IA symbolique capable de chercher à tâtons quel est le mélange optimal pour atteindre une ou plusieurs propriétés données. L’idée est d’adapter des méthodes existantes de recherche opérationnelle, comme l’optimisation combinatoire, dans un contexte de connaissances imprécises.
Nous nous intéresserons à différents cas d’usage comme les batteries électriques, les solvants pour cellules photovoltaïques et les matériaux anti-corrosion.