Les accélérateurs du GANIL, SPIRAL1 et SPIRAL2, génèrent des données complexes dont l’interprétation reste difficile. SPIRAL2 souffre d’instabilités dans ses cavités supraconductrices, tandis que SPIRAL1 requiert une identification fiable des isotopes dans des conditions bruitées.
Ce projet de thèse vise à développer une IA interprétable fondée sur la théorie des observateurs, combinant modèles physiques et apprentissage automatique pour détecter, expliquer et prédire les anomalies. En intégrant des approches causales et des outils d’explicabilité comme SHAP et LIME, il renforcera la fiabilité et la transparence du fonctionnement des accélérateurs.