Estimation rapide des paramètres des ondes gravitationnelles pour la mission spatiale LISA
Contexte
En 2016, l'annonce de la première détection directe d'ondes gravitationnelles a ouvert une ère où l'univers sera sondé de manière inédite. Parallèlement, le succès de la mission LISA Pathfinder a permis de valider certaines technologies sélectionnées pour le projet LISA (Laser Interferometer Space Antenna). L'année 2024 a commencé avec l'adoption de la mission LISA par l'Agence spatiale européenne (ESA) et la NASA. Cet observatoire spatial des ondes gravitationnelles sans précédent sera composé de trois satellites distants de 2,5 millions de kilomètres et permettra la détection directe d'ondes gravitationnelles à des fréquences indétectables par les interféromètres terrestres. L'ESA prévoit un lancement en 2035.
Parallèlement aux aspects techniques, la mission LISA présente plusieurs défis en matière d'analyse des données qui doivent être relevés pour assurer le succès de la mission. La mission doit prouver qu'avec des simulations, la communauté scientifique sera en mesure d'identifier et de caractériser les signaux d'ondes gravitationnelles détectés. L'analyse des données comporte plusieurs étapes, dont le pipeline d'analyse rapide, dont le rôle est de détecter de nouveaux événements et de caractériser les événements détectés. Le dernier point concerne l'estimation rapide de la position dans le ciel de la source d'émission des ondes gravitationnelles et de leur temps caractéristique, comme le temps de coalescence pour une fusion de trous noirs.
Ces outils d'analyse constituent le pipeline d'analyse à faible latence. Outre son intérêt pour LISA, ce pipeline joue également un rôle essentiel pour permettre l'astronomie multi-messagers, qui consiste à surveiller rapidement les événements détectés par des observations électromagnétiques (observatoires terrestres ou spatiaux, des ondes radio aux rayons gamma).
Projet de doctorat
Le projet de doctorat se concentre sur le développement d'outils de détection et d'identification d'événements pour le pipeline d'alerte à faible latence (LLAP) de LISA. Ce pipeline sera une partie essentielle du flux de travail d'analyse de LISA, fournissant une détection rapide des binaires de trous noirs massifs, ainsi qu'une estimation rapide et précise des localisations du ciel des sources ainsi que du temps de coalescence. Ces informations sont essentielles pour les suivis multi-messager ainsi que pour l'analyse globale des données de LISA.
Alors que des méthodes d'analyse rapide ont été développées pour les interféromètres terrestres, le cas des interféromètres spatiaux tels que LISA reste un domaine à explorer. Un traitement adapté des données devra prendre en compte la façon dont les données sont transmises par paquets, ce qui rendra nécessaire la détection d'événements à partir de données incomplètes. En utilisant des données entachées d'artefacts tels que des glitchs ou des paquets de données manquants, ces méthodes devraient permettre la détection, la discrimination et l'analyse de diverses sources : fusions de trous noirs, EMRI (binaires spirales avec des rapports de masse extrêmes), sursauts et binaires provenant d'objets compacts. Un dernier élément de complexité crucial est la rapidité d'analyse, qui constitue une contrainte forte pour les méthodes à développer.
A cette fin, les problèmes que nous aborderons au cours de cette thèse seront les suivants :
1. L'inférence rapide des paramètres des ondes gravitationnelles, notamment la position du ciel et le temps de coalescence. Deux des principales difficultés résident dans la multimodalité de la distribution de probabilité a posteriori des paramètres cibles et dans les exigences strictes en matière de temps de calcul. À cette fin, nous envisagerons différentes stratégies d'inférence avancées, notamment
(a) L'utilisation d'algorithmes d'échantillonnage basés sur le gradient comme les diffusions de Langevin ou les méthodes de Monte Carlo Hamiltoniennes adaptées au problème des ondes gravitationnelles de LISA,
(b) l'utilisation de méthodes assistées par l'apprentissage automatique pour accélérer l'échantillonnage (par exemple, les normalising flows),
(c) l'utilisation de techniques d'inférence variationnelle.
2. Détection précoce des fusions de trous noirs.
3. La complexité croissante des données LISA, y compris, entre autres, un bruit réaliste, une réponse réaliste de l'instrument, des glitches, des données manquantes et des sources qui se superposent.
4. Le traitement en ligne des paquets de données de 5 minutes avec le cadre d'inférence rapide développé.
Cette thèse sera basée sur l'application de méthodes bayésiennes et statistiques pour l'analyse des données et l'apprentissage automatique. Cependant, un effort sur la partie physique est nécessaire, à la fois pour comprendre les simulations et les différentes formes d'ondes considérées (avec leurs hypothèses sous-jacentes) et pour interpréter les résultats concernant la détectabilité des signaux de fusion de trous noirs dans le contexte de l'analyse rapide des données LISA.
Spectrométrie et Intelligence Artificielle : développement de modèles IA explicables, sobres et fiables pour l'analyse de matériaux
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.
Développement d'un cadre d'analyse basé sur le ML pour la caractérisation rapide des conteneurs de déchets nucléaires par tomographie muonique
Cette thèse de doctorat vise à développer un cadre d'analyse avancé pour l'inspection des conteneurs de déchets nucléaires à l'aide de la tomographie muonique, et plus particulièrement via la méthode par diffusion des muons. La tomographie muonique, qui exploite les muons naturels issus des rayons cosmiques pour scanner des structures denses, s'est avérée précieuse dans des domaines dans lesquels les méthodes d'imagerie traditionnelles sont inefficaces. Le CEA/Irfu, avec son expertise dans les détecteurs de particules, cherche à exploiter l'intelligence artificielle (IA) et le Machine Learning (ML) pour optimiser l'analyse des données des muons, notamment pour réduire les temps d'exposition et améliorer la fiabilité des images.
Le projet consistera à se familiariser avec les principes de la muographie, à simuler les interactions des muons avec les conteneurs de déchets et à développer des techniques de traitement d'images et d'augmentation de données basées sur le ML. Le résultat devrait aboutir à des outils efficaces permettant d'interpréter les muographies (images de tomographie muonique), d’accélérer l’analyse et de classifier de manière fiable le contenu des conteneurs. L'objectif de la thèse est d'améliorer la sécurité et la fiabilité de l'inspection des déchets nucléaires en produisant des muographies plus nettes, plus rapides et plus interprétables grâce à des méthodes d'analyse innovantes.
Suivi en ligne des procédés de bio-production par imagerie holographique 3D
La culture des cellules adhérentes sur microcarriers (MCs) est un moyen prometteur pour différentes applications en bioproduction, comme la fabrication et l'administration de biomédicaments, la médecine régénérative, ou le suivi de la différenciation cellulaire. Cependant, elle pose des défis majeurs pour l’analyse des cellules sans affecter l’intégrité du substrat. L’imagerie holographique sans lentille se présente comme une solution prometteuse, capable de capturer des images de cellules sur un grand champ de vue sans aucune étape biochimique supplémentaire.
Cette thèse propose de développer un système d’imagerie holographique 3D pour le suivi des cellules sur MCs en temps quasi-réel, avec des algorithmes avancés pour la reconstruction et l’analyse d’images. Ce système sera intégré dans des bioréacteurs en ligne, testant sa précision et sa robustesse sur des cultures biologiques variées. L’utilisation de l’apprentissage profond permettra la segmentation et l'analyse des cellules en temps quasi-réel, facilitant ainsi le suivi des dynamiques cellulaires. Ce projet innovant promet d'optimiser les procédés biologiques en offrant une vision non invasive des échantillons multicellulaires en 3D, avec des applications potentielles comme le suivi d’organes-sur-puce et de systèmes cellulaires complexes.
Développement des procédés de gravure pour les nœuds avancés utilisant des techniques SADP
La miniaturisation des composants électroniques impose le développement de nouveaux procédés, car la lithographie immersion 193nm seule ne permet plus d’atteindre les dimensions demandées pour les nœuds technologiques les plus avancés (sub-10nm). Depuis des années, des stratégies complémentaires à la lithographie se sont développées. Ici, nous étudierons la technique de « Self-Aligned Double Patterning » (SADP), qui divise par deux le pas du réseau des motifs lithographiés initialement. Cette technique repose sur un dépôt conforme de diélectrique (espaceur) de part et d’autre des motifs initiaux (mandrel). Ces espaceurs serviront ensuite de masque de gravure pour l'obtention des motifs finaux. Les faibles dimensions recherchées imposent un contrôle parfait des procédés de gravure. Or cette étape altère les matériaux déposés conduisant à une perte des dimensions. Un des grands enjeux sera de maîtriser la gravure et donc la modification des matériaux utilisés pour satisfaire les spécifications recherchées (largeur des motifs, profil de gravure, consommation des couches d’arrêt, uniformité, vitesse de gravure…). Un des objectifs sera aussi de proposer des approches SADP alternatives permettant de générer différents types de motifs sur la plaque pour réaliser des transistors planaires FDSOI, ce qui est peu répandu actuellement dans la littérature.
Les défis de cette thèse ?
Développer des procédés innovants de gravure
Explorer de nouveaux couples de matériaux (espaceur/mandrel) et proposer in-fine une solution d’intégration industrielle qui pourra être validée électriquement.
Identifier les possibles verrous technologiques et proposer des solutions pour les contourner
Mettre en place un protocole de caractérisation fiable détectant les modifications physico-chimiques des matériaux en présence et la dimension des motifs finaux
Sperm 3D - Outil de diagnostic de l'infertilité masculine utilisant l'holographie pour l'imagerie et le suivi en 3D
L'infertilité est un problème croissant dans tous les pays développés. Les méthodes standard de diagnostic de la stérilité masculine examinent la concentration, la mobilité et les anomalies morphologiques des spermatozoïdes individuels. Cependant, un cas d'infertilité masculine sur cinq reste inexpliqué avec les outils de diagnostic standard.
Dans cette thèse, nous explorerons la possibilité de déterminer les causes de l'infertilité masculine à partir de l'analyse détaillée des trajectoires 3D et de la morphologie des spermatozoïdes nageant librement dans un environnement imitant les conditions de l'appareil reproducteur féminin. Pour cette tâche difficile, nous développerons un microscope spécialisé basé sur l'holographie pour l'imagerie rapide et le suivi des spermatozoïdes individuels. Outre les méthodes numériques classiques, nous utiliserons des algorithmes d'intelligence artificielle modernes pour améliorer la qualité de l'imagerie et pour analyser les données multidimensionnelles.
Tout au long du projet, nous collaborerons étroitement avec un institut de recherche médicale (CHU/IAB) spécialisé dans les technologies de reproduction assistée (ART). Nous examinerons des échantillons de patients réels afin de développer un nouvel outil pour le diagnostic de l'infertilité masculine.
Diffusion des rayons X assistée par Intelligence Artificielle : le problème de la représentativité des bases de données synthétiques et de l’indiscernabilité des prédictions.
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.
Décrypter les rôles de la chimie de surface et de la structuration multi-échelle dans le contrôle des performances de stockage des supercondensateurs à base de graphène
L'objectif de ce projet de recherche fondamentale est d’élucider les corrélations existantes, entre les propriétés des matériaux à base de graphène et leurs performances de stockage électrochimique, en dispositif supercondensateur. L’importance de la chimie de surface et celle de la structure multi-échelle de ces matériaux seront spécifiquement étudiées, car la plupart des propriétés physico-chimiques de ces matériaux découlent de ces 2 paramètres. Aussi, des matériaux spécifiquement conçus pour présenter des chimies de surface différentes (dopage N, différents degrés de réduction…) et différentes structurations seront synthétisés et caractérisés, en utilisant des méthodes classiques à avancées (CV-SANS, in-situ SANS…), spécifiquement adaptées à l’étude de ces propriétés et de leur évolution en cours de cyclage électrochimique. Les résultats obtenus permettront de fournir une compréhension multi-échelle du mécanisme de stockage et aideront à concevoir des matériaux dotés de propriétés de stockage optimisées.
Inférence Bayesienne avec des simulateurs différentiables pour l'analyse jointe de la distribution des galaxies et du lentillage du CMB
L'objectif de ce projet de doctorat est de développer une nouvelle analyse conjointe de la distribution des galaxies mesurées par l'instrument DESI et de la mesure de Planck PR4/ACT de lentillage du fonds diffus cosmologique (CMB), en se basant sur des simulations numériques des relevés et les méthodes d'apprentissage automatique et les techniques d'inférence statistique les plus modernes. L'objectif est de surmonter les approches traditionnelles et d'améliorer la récupération des paramètres cosmologiques.
cosmologiques. L'inférence jointe des données de DESI et de Planck/ACT améliorera de manière significative les contraintes sur la croissance de la structure par rapport aux analyses DESI uniquement et de raffiner plus encore les tests de la relativité générale.
Etude de l’effet de l’activation plasma sur la fiabilité des intégrations hybrides Cu/SiO2
Au cours des dernières années, le CEA-LETI s’est imposé comme un des principaux leaders mondiaux dans le développement de procédés pour l’industrie microélectronique avancée. En particulier, les procédés de collage hybride (HB) direct Cu/SiO2 plaque à plaque, une technologie de plus en plus utilisée pour la fabrication de dispositifs compacts, performants et multifonctionnels. Chaque plaque contient des circuits intégrés enterrés sous une couche contenant des plots électriques en Cu dans une matrice de SiO2. L’assemblage des plaques par collage directe consiste en la mise en contact de surfaces très propres. L’adhésion est assurée par la création spontanée de liaisons atomiques à l’interface de collage. Afin d’assurer une bonne tenue mécanique de la structure, il est indispensable d’activer la surface avant collage. Plusieurs approches ont été développées mais l’activation par plasma N2 reste la plus utilisée dans l’industrie. Cependant, l’utilisation de ce procédé reste controversée à cause des effets indésirables qu’il peut induire : 1/ la formation de nodules de Cu à l’interface de collage entre les plots métalliques et 2/ le dépôt d’espèces chimiques au niveau de l’interface Cu-Cu. Ces effets peuvent être préjudiciables aux propriétés électriques et à la fiabilité des dispositifs (claquage diélectrique en particulier). En collaboration avec STMicroelectronics et IM2NP, nous souhaitons étudier les différents mécanismes mis en jeu afin de pouvoir proposer un procédé d’activation assurant à la fois tenue mécanique et fiabilité de nos intégrations.