Incertitude de Métamodèles de Machine Learning pour le Calcul de Débit de Dose H/F CEA

Le calcul du débit de dose en temps réel est une préoccupation de l'IRFM pour la simulation d'opérations de maintenance dans les installations nucléaires. L'accès en temps réel des estimations du débit de dose permet en effet d'intégrer ce paramètre dans les simulations immersives XR développées au sein de l'institut. Une solution à cette difficulté pourrait être d'obtenir cette grandeur à l'aide de métamodèles basés sur des techniques de Machine Learning.

L'équipe a déjà étudié et défini les variables physiquement significatives servant d'entrées aux algorithmes d'apprentissage automatique, et a créé la première version de l'ensemble de données d'entraînement généré à partir de nombreuses simulations Monte Carlo réalisées avec TRIPOLI-4, qui pourrait être étendu si nécessaire. Des topologies préliminaires de réseaux de neurones ont été étudiées dans un premier temps pour modéliser le débit de dose, et des premières estimations d'incertitude ont été calculées à l'aide de l'approche des ensembles profonds (Deep Ensembles).

L'objectif principal de ce stage est d'étudier des approches alternatives aux réseaux neuronaux, telles que les processus gaussiens (GP), qui présentent l'avantage de fournir directement à la fois la prédiction et l'incertitude qui y est associée. Bien que les GP soient à l'origine mieux adaptés aux petits ensembles de données, plusieurs variantes ont été développées pour les grands ensembles de données (sparseGPs, GP variationnels basés sur des points inducteurs, GP locaux, etc.). Une attention particulière sera accordée à la contrainte de temps réel de notre application : le coût de prédiction d'un processus gaussien augmente avec la taille de l'ensemble de données d'apprentissage, tandis que les variantes tentent de le réduire (par exemple en utilisant des points inducteurs). Ces approches seront comparées aux réseaux neuronaux selon les mêmes critères : précision, taille du modèle et temps d'inférence. D'autres approches pertinentes pourront également être étudiées si elles sont identifiées.

Si cette tâche est menée à bien, l'équipe souhaite également vérifier l'étalonnage des incertitudes calculées à l'aide de la méthode des ensembles profonds (Deep Ensembles) pour les réseaux neuronaux. L'étalonnage des incertitudes sera étudié à l'aide de la méthode de prédiction conforme. La comparaison finale avec les GP nous permettrait d'avoir une vue d'ensemble complète.

L'intérêt pour le/la stagiaire est de contribuer à des projets internationaux au travers d'une problématique fondamentale pour les futures installations de fusion. Les domaines abordés dans le stage sont à la croisée de grands développements technologiques en cours partout dans le monde : l'IA et l'énergie nucléaire. Le/la stagiaire bénéficiera également de l'accompagnement de deux équipes : l'une à Saclay, spécialisée dans les techniques de Machine Learning, et l'autre à Cadarache, spécialisée dans la physique des réacteurs et la radioprotection.