CNN léger et GNN causal pour la compréhension des scènes
La compréhension des scènes est un défi majeur dans le domaine de la vision par ordinateur. Les approches récentes sont dominées par les transformers (ViT, LLM, MLLM), qui offrent des performances élevées mais à un coût computationnel important. Cette thèse propose une alternative innovante combinant des réseaux neuronaux convolutifs légers (Lightweight CNN) et des réseaux neuronaux graph causaux (Causal GNN) pour une analyse spatio-temporelle efficace tout en optimisant les ressources computationnelles. Les Lightweight CNN permettent une extraction haute performance des caractéristiques visuelles, tandis que les Causal GNN modélisent les relations dynamiques entre les objets dans un graphe de scène, répondant ainsi aux défis de la détection d'objets et de la prédiction des relations dans des environnements complexes. Contrairement aux modèles actuels basés sur les transformers, cette approche vise à réduire la complexité de calcul tout en conservant une précision compétitive, avec des applications potentielles dans la vision embarquée et les systèmes en temps réel.
Développement d’une analyse automatique des spectres gamma à l’aide d’un algorithme hybride machine learning pour la caractérisation radiologique des installations nucléaires en cours de démantèlement.
L’application de la spectrométrie gamma à la caractérisation radiologique dans le cadre du démantèlement des installations nucléaires, nécessite le développement d’algorithmes spécifiques pour l’analyse automatique des spectres. En particulier, la classification des déchets en béton, suivant leur niveau de contamination, représente un enjeu crucial pour le contrôle du coût de démantèlement.
Au sein du CEA/List, le LNHB en collaboration avec le CEA/DEDIP, est impliqué depuis quelques années dans le développement d’outils d’analyse automatique des spectres gamma à faible statistique, pouvant notamment être appliqués aux détecteurs scintillateurs (NaI(Tl), plastiques). Dans ce contexte, une approche originale fondée sur un algorithme hybride machine learning/statistique de démélange spectral, a été développée pour l’identification et la quantification de radionucléides en présence de fortes déformations du spectre mesuré, dues notamment aux interactions de l’émission gamma de la source radioactive avec son environnement.
Le sujet proposé fait suite aux travaux de thèse ayant permis le développement l’algorithme hybride dans le but d’étendre cette approche à la caractérisation radiologique des surfaces en béton. Le candidat sera impliqué dans l’évolution de l’algorithme hybride machine learning/statistique pour la caractérisation de béton pour le classement en déchets conventionnels. Le travail comprendra une étude de faisabilité de la modélisation des écarts du modèle appris pour optimiser la robustesse de la prise de décision.
Commande optimisée d’un hub énergétique modulaire à signature CEM minimal
L’intégration des EnRs devient de nos jours un enjeu important pour les convertisseurs de puissance. La multiplication de ces convertisseurs et leur taux d’utilisation moyen permet de repenser la gestion des échanges d’énergie au niveau système. Ceci nous amène au concept de hub énergétique permettant d’interfacer par exemple un panneau photovoltaïque, un véhicule électrique, un réseau et du stockage stationnaire avec les charges.
Le but principal de cette thèse est d’améliorer l’efficacité, la compacité et la modularité du hub énergétique par le contrôle. Pour cela, plusieurs idées émergent, comme le contrôle avancé permettant de minimiser les pertes, la mise en opposition d’entrée alternative (AC) permettant de réduire le filtrage de compatibilité électromagnétique (CEM), la mise en série/parallèle de sortie continue (DC) permettant d’adresser des batteries 400Vdc/800Vdc, l’augmentation de fréquence de découpage permettant de réduire le volume etc…
Cette thèse permettra donc à moyen terme d’avoir un convertisseur optimal aussi bien énergétiquement qu’environnementalement.
Mécanismes d’apprentissage pour la détection de comportements anormaux dans les systèmes embarqués
Les systèmes embarqués sont de plus en plus utilisés dans des infrastructures critiques (e.g. réseau de production d’énergie) et sont donc des cibles d’attaques privilégiées pour des acteurs malicieux. L’utilisation de systèmes de détection d’intrusion (IDS) analysant dynamiquement l’état du système devient nécessaire pour détecter une attaque avant que ses impacts ne deviennent dommageables.
Les IDS qui nous intéresse sont basés sur des méthodes de détection d’anomalie par machine learning et permettent d’apprendre le comportement normal d’un système et de lever une alerte à la moindre déviation. Cependant l’apprentissage du comportement normal par le modèle est fait une seule fois en amont sur un jeu de données statique, alors même que les systèmes embarqués considérés peuvent évoluer dans le temps avec des mises à jour affectant leur comportement nominal ou l’ajout de nouveaux comportements jugés légitimes.
Le sujet de cette thèse porte donc sur l’étude des mécanismes de réapprentissage pour les modèles de détection d’anomalie pour mettre à jour la connaissance du comportement normal par le modèle sans perdre d’information sur sa connaissance antérieure. D’autres paradigmes d’apprentissage, comme l’apprentissage par renforcement ou l’apprentissage fédéré, pourront aussi être étudiés pour améliorer les performances des IDS et permettre l’apprentissage à partir du comportement de plusieurs systèmes.
Amélioration du Reverse-Engineering par Side-Channel
La caractérisation de la sécurité des systèmes embarqués en « boite noire » ou « boite grise » face aux attaques Side-Channel requiert fréquemment une phase préparatoire de Reverse-Engineering, qui peut être particulièrement chronophage, notamment sur un Sytem-on-Chip complexe que l’on peut retrouver sur smartphone ou dans l’automobile. Cette phase peut, par exemple, consister en la détection d’une primitive cryptographique au sein de mesures Side-Channel pour une future attaque par observation, ou d’une routine cible pour une attaque par perturbation. L’objectif de cette thèse est de développer une méthodologie et des outils non-profilés permettant l’automatisation de cette phase de détection, tout en permettant d’exploiter la connaissance a priori d’un potentiel attaquant.
Modélisation gyrocinétique de l'interaction non linéaire entre les instabilités induites par les particules énergétiques et la microturbulence dans les plasmas de tokamak
Les plasmas de tokamak sont des systèmes fortement non linéaires et hors équilibre thermodynamique, dans lesquels coexistent des instabilités de tailles très différentes, allant des grandes oscillations macroscopiques à la microturbulence. La présence d’ions énergétiques produits par les réactions de fusion ou par le chauffage auxiliaire renforce ces instabilités via des résonances ondes-particules. La microturbulence est responsable du transport de chaleur et de particules du plasma thermique, tandis que les instabilités induites par les particules énergétiques peuvent produire leur transport radial et, donc, leurs pertes. Ces deux phénomènes dégradent les performances des plasmas de tokamaks actuels et potentiellement aussi celles des plasmas en combustion comme dans ITER.
Des résultats récents montrent cependant que ces instabilités, longtemps étudiées séparément, peuvent interagir non-linéairement et conduire in fine à une amélioration inattendue du confinement du plasma.
L’objectif du projet est d’étudier ces interactions multi-échelles à l’aide du code gyrocinétique GTC, capable de simuler simultanément turbulence et instabilités de particules énergétiques. Ce travail vise à mieux comprendre les mécanismes non linéaires gouvernant le confinement et à identifier des régimes optimaux pour les futurs plasmas de fusion.
Modélisation électromagnétique des signatures radar et IA pour la reconnaissance d’objets
Cette thèse offre une opportunité unique de travailler à l’interface entre l’électromagnétisme, la simulation numérique et l’intelligence artificielle, afin de contribuer au développement des systèmes intelligents de détection et de reconnaissance de nouvelle génération. Le/la stagiaire intégrera le Laboratoire Antenne et Propagation (LAPCI) du CEA-LETI, à Grenoble (France), un environnement de recherche de rang mondial disposant d’équipements à la pointe de la technologie pour la caractérisation et la modélisation du canal de propagation, tels que des sondeurs de canal, des émulateurs, des chambres anéchoïques et des simulateurs électromagnétiques avancés. Une collaboration avec l’Université de Bologne (Italie) est prévue durant la thèse.
Cette thèse vise à développer des modèles électromagnétiques avancés de rétrodiffusion radar en champ proche, adaptés aux systèmes radar et JCAS opérant aux fréquences mmWave et THz. Les travaux porteront sur la modélisation physique de la signature radar d’objets étendus, en tenant compte des effets de champ proche, des configurations multi-statiques et multi-antennes, ainsi que de l’influence des matériaux et de l’orientation des cibles. Ces modèles seront validés par simulations électromagnétiques et par des campagnes de mesures, puis intégrés dans des outils de simulation de scène et de propagation multi-trajets de type ray-tracing. Les signatures radar ainsi obtenues seront exploitées pour entraîner des algorithmes d’intelligence artificielle dédiés à la reconnaissance d’objets, à l’inférence des propriétés des matériaux et à l’imagerie radar. En parallèle, des approches d’IA assistée par la physique seront étudiées afin d’accélérer les simulations électromagnétiques et de réduire leur complexité computationnelle. L’objectif final de la thèse est d’intégrer ces informations issues de la rétrodiffusion radar dans un framework de Semantic Radio SLAM 3D, afin d’améliorer la localisation, la cartographie et la compréhension de l’environnement dans des scénarios complexes ou partiellement masqués.
Nous recherchons un(e) étudiant(e) de niveau école d’ingénieur ou Master 2, avec de solides bases en traitement du signal, électromagnétisme, radar ou télécommunications. Un intérêt pour l’intelligence artificielle, la modélisation physique et la simulation numérique est attendu. Des compétences en programmation (Matlab, Python) seront appréciées, ainsi qu’une capacité à travailler à l’interface entre modèles théoriques, simulations et expérimentations. Curiosité scientifique, autonomie et motivation pour la recherche sont essentielles.
La candidature doit inclure un CV, un relevé de notes et une lettre de motivation.
Etude des modes et des mécanismes de défaillances des commutateurs RF à base de matériaux à changement de phase
Les commutateurs à base de matériaux à changement de phase (Phase Change Material, PCM) démontrent d'excellente performances RF (FOM <10fs) et peuvent être cointégrés dans le BEOL des filières CMOS. Leur fiabilité reste cependant très peu étudiée aujourd'hui. Des modes de défaillances tels qu'une rupture du heater, la ségrégation ou l'apparition de cavités dans le matériau sont montrés lors de tests d'endurance, mais les mécanismes d'apparition de ces défaillances ne sont pas discutés. L'objectif de cette thèse sera donc d'étudier les modes et les mécanismes de défaillances pour différentes conditions opératoires (endurance, maintien, puissance). L'analyse se fera au travers de caractérisations électriques et physiques et des méthodes de vieillissement accéléré seront mise en œuvre.
Simulation numérique de modèles de turbulence sur des maillages déformés
La turbulence joue un rôle important dans de nombreuses applications industrielles (écoulement, transfert de chaleur, réactions chimiques). Comme la simulation directe (DNS) est souvent d’un coût excessif en temps calcul, les modèles en moyenne de Reynolds (RANS) sont alors utilisés dans les codes de CFD (computational fluid dynamics). Le plus connu, qui a été publié dans les années 70, est le modèle k – e. Il se traduit par deux équations additionnelles non-linéaires couplées aux équations de Navier-Stokes, décrivant le transport, pour l’une, de l’énergie cinétique turbulente (k) et, pour l’autre, de son taux de dissipation (e). Une propriété très importante à vérifier est la positivité des paramètres k et e qui est nécessaire pour que le système d’équations modélisant la turbulence reste stable. Il est donc crucial que la discrétisation de ces modèles préserve la monotonie. Les équations étant de type convection-diffusion, il est bien connu qu’avec des schémas classiques linéaires (Eléments finis, Volumes finis etc…), les solutions numériques sont susceptibles d’osciller sur des mailles déformées. Les valeurs négatives des paramètres k et e sont alors à l’origine de l’arrêt de la simulation. Il s’avère donc nécessaire de rendre monotone les schémas linéaires classiques de la littérature de manière consistante et stable.
Nous nous intéressons aux méthodes non linéaires permettant d’obtenir des stencils compacts. Pour des opérateurs de diffusion, elles reposent sur des combinaisons non linéaires de flux de part et d’autre de chaque arête. Ces approches ont montré leur efficacité, particulièrement pour la suppression d’oscillations sur des maillages très déformés. On pourra également reprendre les idées proposées dans la littérature, où il est par exemple décrit des corrections non linéaires s’appliquant sur des schémas linéaires classiques.
L’idée serait donc d’appliquer ce type de méthode sur les opérateurs diffusifs apparaissant dans les modèles k-e. Dans ce contexte, il sera également intéressant de transformer des schémas classiques de la littérature approchant les gradients en schémas non linéaires à deux points. Des questions fondamentales doivent être examinées dans le cas de maillages généraux à propos de la consistance et de la coercivité des schémas étudiés.
Au cours de la thèse, on prendra le temps de régler les problèmes de fond de ces méthodes (première et seconde année), à la fois sur les aspects théoriques et sur la mise en œuvre informatique. Cette dernière pourra être effectuée dans les environnements de développement Castem, Trust/TrioCFD ou POLYMAC. On s’intéressera alors à des solutions analytiques régulières et aux cas d’application représentatifs de la communauté.
Schéma décalé pour les équations de Navier-Stokes avec des mailles de forme générale
La simulation des équations de Navier-Stokes demande de disposer de méthodes numériques précises et robustes prenant en compte des opérateurs de diffusions, des termes de gradient et de convection. Les approches opérationnelles ont montré leur efficacité sur des simplexes. Cependant, dans certaines modélisations ou certains codes (TrioCFD, Flica5), il peut être utile d’améliorer localement la précision des solutions à l’aide d’un estimateur d’erreur ou bien de prendre en compte des mailles de forme générale.
Rappelons que nous nous intéressons ici à des schémas décalés. Cela signifie que la pression est calculée au centre des mailles et les vitesses sur les arêtes (ou les faces) du maillage. On obtient alors des méthodes naturellement précises à bas nombre de Mach.
De nouveaux schémas ont été présentés récemment dans ce contexte et ont montré leur robustesse et leur précision. Cependant, ces discrétisations peuvent être très coûteuses en place mémoire et en temps calcul en comparaison aux schémas MAC sur des maillages réguliers.
Nous nous intéressons aux méthodes de type « gradient ». Certaines d’entre elles reposent sur une formulation variationnelle avec des inconnues de pression aux centres des mailles et des inconnues de vecteur vitesse sur les arêtes (ou les faces) des cellules. Cette approche a montré son efficacité, particulièrement en termes de robustesse.
Notons également qu’un algorithme avec les mêmes degrés de libertés que les méthodes MAC a été proposé et donne des résultats prometteurs.
L’idée serait donc de combiner ces deux approches, à savoir la méthode « gradient » avec les mêmes degrés de libertés que les méthodes MAC. Dans un premier temps, on s’attachera à retrouver les schémas MAC sur les maillages réguliers. Des questions fondamentales doivent être examinées dans le cas de maillages généraux : stabilité, consistance, conditionnement du système à inverser, verrouillage numérique.
On pourra également essayer de retrouver les gains en précisions obtenus à l’aide des méthodes pour discrétiser les gradients de pression.
Au cours de la thèse, on prendra le temps de régler les problèmes de fond de cette méthode (première et seconde année), à la fois sur les aspects théoriques et sur la mise en oeuvre informatique. Cette dernière pourra être effectuée dans les environnements de développement Castem, Trust/TrioCFD, ou POLYMAC. On s’intéressera alors aux cas d’application représentatifs de la communauté.