Direction scientifique
Transfert de connaissances vers l'industrie

Nos Thèses par thème

Mesure de données de décroissance de radionucléides relatives aux désintégrations bêta et captures électroniques à l'aide de calorimètres métalliques magnétiques

DM2I (LIST)

Laboratoire de Métrologie de l'Activité

Master 2 metrologie/instrumentation/ physique nucléaire

01-09-2019

SL-DRT-19-0643

matias.rodrigues@cea.fr

Dans le cadre de la métrologie des rayonnements ionisants, une des missions du Laboratoire National Henri Becquerel (LNHB), le laboratoire national français de métrologie pour les rayonnements ionisants, est la détermination précise des données de désintégration des radionucléides. Dans cette thèse, des détecteurs cryogéniques seront développés et employés pour la mesure précise des formes de spectres bêta, des probabilités d'émission photonique et des probabilités de capture pour les nucléides se désintégrant par capture électronique. Ces données sont requises dans de nombreux domaines de recherche et d'application, tels que la médecine nucléaire, l'énergie nucléaire, la gestion des déchets nucléaires et la recherche sur la physique des neutrinos. Les travaux du doctorant porteront sur la conception et la réalisation des détecteurs cryogéniques, leur mise en fonctionnement dans une installation cryogénique complexe, la mise en ?uvre de dispositifs électroniques sophistiqués, des simulations Monte Carlo et l'analyse et l'interprétation des données avec des méthodes très élaborées. Les données établies seront comparées avec des calculs théoriques et serviront à améliorer les tables de données nucléaires.

Expliquer les décisions de modèles prédictifs : vers l'interprétation automatique des ensembles d'arbres

DM2I (LIST)

Laboratoire d'Analyse des Données et d'Intelligence des Systèmes

Diplôme d'ingénieur et/ou Master 2 de recherche, avec des compétences fortes en Machine Learning / Deep Learning, analyse et modélisation statistique. Des compétences dans un langage de prototypage type Python, R ou Matlab sont également requises.

01-09-2019

SL-DRT-19-0644

pierre.blanchart@cea.fr

Jusqu'à récemment, les travaux de recherche dans le domaine de l'apprentissage automatique mettaient principalement l'accent sur l'amélioration de la précision des prévisions des modèles. De nombreux algorithmes d'apprentissage de modèles prédictifs, capables de passer à l'échelle sur de grandes quantités de données hétérogènes, ont été proposés dans la littérature, et des implémentations largement utilisées de ces algorithmes sont disponibles. Malheureusement, ces modèles ne sont généralement pas intrinsèquement interprétables, et il n'existe pas de moyen facile d'expliquer leurs prédictions. Ils sont souvent présentés comme des outils "boîte noire", effectuant des opérations complexes et non intuitives sur leurs données d'entrée. Cela peut être un problème dans de nombreuses applications où l'interprétation de la décision d'un modèle peut avoir une plus grande valeur ajoutée que la décision elle-même. Le diagnostic médical en est un bon exemple, où l'interprétation consisterait à déterminer quelle(s) combinaison(s) de caractéristiques présentée(s) par un individu contribue(nt) le plus au diagnostic. Dans cette thèse, nous proposons d'ajouter de l'interprétabilité à une classe spécifique de modèles d'apprentissage automatique : les modèles d'ensembles d'arbres, et ce sans affecter la performance du modèle que nous voulons interpréter. Dans le prolongement des travaux déjà entrepris au laboratoire, l'idée est de pouvoir analyser les combinaisons de caractéristiques d'entrée ainsi que leurs valeurs numériques respectives, de sorte que chaque décision prise par le modèle puisse être expliquée par un ensemble de caractéristiques d'entrée ayant des valeurs numériques particulières. La détection des défauts sur une ligne de production connectée (usine du futur) constitue une application intéressante pour de telles approches, et des données relatives à cette problématique ainsi que des modèles de détection de défauts seront fournis comme point de départ pour ces travaux de thèse.

Wake-Up Radio MultiBande Spintronique

Département Architectures Conception et Logiciels Embarqués (LIST-LETI)

Laboratoire Architectures Intégrées Radiofréquences

Ecole d'ingénieur traitement du signal, electronique

01-09-2019

SL-DRT-19-0645

dominique.morche@cea.fr

Le nombre d'objets communicants et de capteurs intelligents est en fort croissance. En conséquence la consommation énergétique augmente, nécessitant des nouvelles approches pour l'opération de tels systèmes communicants. En effet ce sont les modules RxTx (transceiver) qui sont les plus gourmands en énergie. Une manière de réduire la consommation énergétique est de les réveiller, autrement dit de les alimenter uniquement au moment où ils sont sollicités. On utilise alors un récepteur de réveil (wake-up radio receiver WuRx) à des performances dégradées, qui à son tour doit être ultra-basse consommation et qui doit être immune contre les signaux parasites (réveil non-intentionné). La thèse propose de démontrer de tels WuRx basé sur les concepts de la spintronique. Les études récentes montrent que les dispositifs spintroniques peuvent servir de convertisseurs rf-DC en agissant comme des démodulateurs passifs et sélectifs en fréquence, possédant une grande sensibilité à faible puissance. LETI/DACLE et INAC/SPINTEC travaillent ensemble sur la réalisation de tels WuRx spintroniques et la thèse sera à l'interface des deux laboratoires. SPINTEC réalisera les dispositifs spintroniques et optimisera leurs performances pour augmenter leur sensibilité à des faibles puissances. Le but principal de la thèse sera la réalisation des réseaux d'antennes et des circuits rf avec les chercheurs du LETI/DACLE. Pour ceci l'étudiant(e) sera formé(e) dans une première phase à SPINTEC pour caractériser les dispositifs spintroniques, ensuite réalisera les circuits WuRx ainsi les tests sur l'assemblage circuit WuRx & nanodispositif spintronique afin d'évaluer les performances et pour optimiser itérativement les circuits.

Gestion réseau avancée pour le contrôle du redéploiement temps-réel d'une infrastructure réseau mobile sous contraintes de performance des flux de données

Département Intelligence Ambiante et Systèmes Interactifs (LIST)

Laboratoire Systèmes Communiquants

BAC+5 : Master ou Ingénieur

01-10-2019

SL-DRT-19-0646

Michael.Boc@cea.fr

La digitalisation des industries s'accompagne généralement de problématiques d'apport d'infrastructures de communication sans-fil haut-débit directement sur les chantiers et sites de production. Toutefois, ce type de déploiement est aujourd'hui rendu extrêmement difficile par les contraintes qu'imposent ces environnements. Pour répondre à ces contraintes, nous nous intéressons dans le cadre de cette thèse à accroitre les capacités de reconfiguration en temps-réel de l'infrastructure sans-fil en considérant une gestion orientée SDN du réseau. Cette gestion doit permettre de gérer la mobilité de l'infrastructure comme un degré de liberté supplémentaire ? tel un paramètre modifiable - afin d'assurer/améliorer les performances des flux de données. Cette capacité devrait apporter deux avantages clés : 1) d'une part ne plus avoir à recourir à une phase de planification de déploiement longue et coûteuse et 2) d'autre part être capable de mettre en place de nouvelles stratégies de reconfiguration plus fines du réseau permettant d'accroitre son niveau de performance global à tout moment. La mobilité de l'infrastructure pourrait être apportée par des robots mobiles pilotables à travers un protocole SDN et portant certains des équipements du réseau. Dans le cas d'une opération de démantèlement nucléaire par exemple, nous pourrions considérer l'infrastructure comme étant composée d'une flotte de robots mobiles (terrestres ou aériens) dont la mobilité serait pilotée par un système SDN de gestion de réseau afin d'assurer la connectivité et les performances de robots de démantèlement pilotés à distance par des téléopérateurs. L'objectif du travail de thèse proposé consiste à définir un système de gestion réseau avancée et centralisée pour le contrôle du redéploiement temps-réel d'une infrastructure réseau mobile sous contraintes de performance des flux de données. Ce système devra être capable 1) d'identifier quand un changement topologique devient pertinent au regard des types de problèmes de performance des flux de données et des limites des solutions existantes d'optimisation réseau, 2) de définir et de piloter le redéploiement de l'infrastructure pour améliorer les performances de ces flux de données.

Simulation réaliste basée sur des techniques d'apprentissage pour l'amélioration du diagnostic en contrôle non destructif

Département Imagerie Simulation pour le Contrôle (LIST)

Laboratoire Simulation et Modélisation en Electro-magnétisme

M2 en mathématiques apppliqueées/ statisques / physique

01-09-2019

SL-DRT-19-0657

roberto.miorelli@cea.fr

Le développement d'outils de diagnostic automatique est un sujet de recherche très actif dans le domaine du contrôle non destructif, car il s'inscrit dans la stratégie de modernisation et de gestion améliorée des lignes de production au niveau européen [1]. Ces outils visent à fournir à une chaîne de contrôle de plus haut niveau une évaluation qualitative ou quantitative de l'état du matériau inspecté (état sain, endommagé, dimensionnement, criticité de l'anomalie). L'institut CEA LIST est reconnu internationalement comme un acteur majeur de recherche dans le domaine du contrôle. Il développe la plateforme CIVA [2], qui est reconnue comme l'un des principaux logiciels de simulation multi-physique du domaine. Une modélisation fiable et précise des phénomènes physiques mis en jeu dans la mesure non destructive est un atout important dans une démarche de caractérisation des indications contenues dans le signal expérimental [3]. Cependant, elle ne tient pas compte des perturbations et de la variabilité des entrées caractéristiques de toute expérience de mesure, c'est pourquoi on peut par exemple facilement distinguer un signal simulé « parfait » d'une acquisition expérimentale. Le sujet de thèse proposé vise à développer une solution permettant de réduire l'écart entre signaux simulés et expérimentaux, en augmentant la simulation avec une contribution supplémentaire que l'on peut qualifier de « bruit » et qui représente tout ce qui n'est pas le signal physique déterministe régi par le jeu d'équations physiques correspondant à la mesure étudiée (ultrasons, électromagnétisme). La stratégie pour calculer cette contribution consiste à appliquer des méthodes d'apprentissage à un jeu de données expérimental représentatif, ou a entraîner un réseau de neurones à dissocier dans des acquisitions réelles le contenu (les signatures de défauts) du style (le reste, qui n'est pas simulé). Par la suite cette simulation augmentée sera utilisée dans des processus d'analyse de sensibilité, de gestion des incertitudes et de diagnostic automatique développés au CEA LIST. Elle permettra d'obtenir une meilleure adéquation entre la simulation et l'expérience, ainsi que la prise en compte de potentielles dérives cas-dépendantes dues à un environnement particulier. RÉFÉRENCES [1] http://ec.europa.eu/research/participants/portal/desktop/en/opportunities/h2020/topics/dt-fof-08-2019.html [2] www.extende.com [3] M. Salucci et al., "Real-Time NDT-NDE Through an Innovative Adaptive Partial Least Squares SVR Inversion Approach," in IEEE Transactions on Geoscience and Remote Sensing, vol. 54, no. 11, pp. 6818-6832, Nov. 2016.

Analyses de logiciels pour la sécurité : combiner déduction et apprentissage

Département Ingénierie Logiciels et Systèmes (LIST)

Laboratoire pour la Sûreté du Logiciel

M2 informatique, expérience claire de recherche (stages)

01-10-2019

SL-DRT-19-0658

sebastien.bardin@cea.fr

Le but général de ce sujet de thèse est de comprendre comment les méthodes déductives de raisonnement automatique (développées typiquement en analyse de programme) peuvent se combiner aux méthodes inductives d'apprentissage automatique (développées en Intelligence Artificielle), afin d'aboutir à des méthodes automatique d'analyse de code capables d'inférer de manière précise et prouvée le comportement de (morceaux de) programmes, puis d'appliquer ces résultats à des problèmes de sécurité logicielle, comme la rétro-ingénierie ou le renforcement de code. Nous étudierons plus particulièrement l'apprentissage symbolique (acquisition de contraintes) et les méthodes déductives de type exécution symbolique et solveurs SMT.

120 (Page 13 sur 20)
first   previous  11 - 12 - 13 - 14 - 15  next   last
-->

Voir toutes nos offres