Postdoc, Saclay.| Entreprise/Organisme : | CEA | | Niveau d'études : | Doctorat | | Sujet : | Afin de pouvoir limiter l'impact des anomalies de fonctionnement des grands instruments de rayon X ou laser, il est nécessaire de connaître les relations entre les caractéristiques du faisceau et les paramètres physiques de l'optique des lignes. Pour ce faire, il existe dans la littérature en intelligence artificielle de nombreuses méthodes de détection d'anomalies essentiellement basées sur la corrélation qui est peu efficace pour traduire les relations de cause à effet.
Ce post-doctorat a pour objectif de proposer une méthode générique basée sur les graphes causaux pour la détection expérimentale des anomalies et leur interprétabilité. Il s'agit de trouver les liens causaux simples (un paramètre) et joints (combinaison de paramètres) les plus pertinents pour caractériser les causes d'une anomalie. On s'intéressera également à la quantification de leur incertitude. | | Date de début : | 4ème trimestre 2023 | | Durée du contrat : | 24 mois | | Rémunération : | selon profil | | Secteur d'activité : | Intelligence artificielle, statistiques, graphe bayésien, causalité, quantification d'incertitudes | | Description : | Au sein du laboratoire LIAD (Laboratoire d'Intelligence Artificielle et de science des Données) appartenant au service SGLS (Service de Génie Logiciel pour la Simulation), vous évoluez dans une équipe spécialisée dans le traitement des incertitudes en simulation numérique. Cette équipe développe des méthodes répondant aux besoins du CEA sur cette thématique et assure parallèlement leur implémentation dans la plateforme logicielle URANIE qui met à disposition les nouvelles fonctionnalités aux utilisateurs métiers. Vous contribuez au renforcement de ces activités au travers du projet DALLIAE dont l'objectif est la Détection d'Anomalies sur les Lignes de Lumière du synchrotron par Intelligence Artificielle Explicable.
Le projet DALLIAE a pour objectif de proposer une méthode générique basée sur les graphes dirigés acycliques causaux (DAG) pour la détection expérimentale des anomalies et leur interprétabilité sur les lignes de mesures. L’enjeu de ce projet est de trouver les liens causaux simples (un paramètre) et joints (combinaison de paramètres) les plus pertinents pour caractériser les causes d'une anomalie. On s'intéressera également à la quantification des incertitudes associées aux liens causaux identifiés afin de s'assurer de leur pertinence. Cette recherche de causalité est d’autant plus difficile du fait de la variété des instruments, des paramètres, de leur modification au cours de l’expérience, du nombre combinatoire des effets joints à étudier et de la sous-représentation des anomalies dans les données.
Ce post doctorat s'inscrit dans le cadre d'une collaboration entre plusieurs équipes du CEA qui amènent chacune des compétences distinctes telles que l'IA, la physique liée aux lignes de lumière et l'instrumentation dont le NRX (Équipe Nanostructures et Rayons X à Grenoble) et le LMJ (Laser Mégajoule) à Bordeaux.
L'objectif du post-doctorat est ainsi de proposer une IA interprétable, qui sera un soutien aux opérateurs et scientifiques des lignes de lumières. Elle assistera la résolution de pannes et complétera l’arsenal de diagnostic pour une correction ou rétroaction dans des temps adaptés.
Il s'agit ainsi de développer un modèle basé sur la causalité pour déterminer les paramètres des capteurs impliquant les anomalies. Ainsi, votre travail de recherche s'articulera autour de quatre axes:
• Comprendre et prendre en main les données produites par les lignes de lumière : les paramètres des instruments de mesure et les différents types d'anomalies. Pour se faire, on s'appuiera sur les connaissances des partenaires du projets, experts en physique, en optique et en instrumentation liées aux lignes de lumières.
• Concevoir le modèle d'IA explicable basé sur les graphes causaux explicitant les liens entre les différents paramètres et les anomalies. On s'intéressera en particulier à la détection des variables latentes impactant l'incertitude liée à la détection d'un lien causal, la dimensionnalité des données et aux interactions entre les différentes potentielles causes. Pour ce faire, on pourra se placer dans la cadre des graphes bayésiens causaux.
• Soutenir et participer au travail du LIAD en prenant part aux sollicitations qu'elles soient côté méthodologie incertitude, intelligence artificielle (voire les deux) ;
• Valoriser vos travaux via la rédaction de notes techniques, l’écriture de publications dans des conférences et des journaux consacrés, et la participation aux réunions du projet DALLIAE avec l'ensemble des experts. | | En savoir plus : | https://www.cea.fr/
Fiche de poste.pdf | | Contact : | aurore.lomet@cea.fr |
|
