La technologie de la spectrométrie d'émission atomique de plasma induit par laser ("Laser Induced Breakdown Spectroscopy", ou LIBS) utilise la radiation issue du refroidissement d'un plasma chaud créé à travers des tirs laser pour analyser qualitativement et quantitativement la surface d'un échantillon.

Captée par des spectromètres, elle permet de traduire les zone vaporisées par le laser en spectres d'émission (intensité de signal en fonction de la longueur d'onde d'émission des photons) portant une information sur la composition chimique de l'échantillon.

Pour certaines instrumentations, ces spectres sont le résultat d'un processus de traitement fait par des logiciels embarqués qui traduisent une information beaucoup plus riche et complète. C'est notamment le cas des spectromètres "Échelle" qui reposent sur la décomposition de la lumière en plusieurs directions : l'information récoltée par ces instruments est donc plutôt assimilable à une image pour chaque tir de laser. Ces images contiennent une redondance intrinsèque de l'information qui est d'habitude réduite à des simples spectres de façon transparente pour l'utilisateur. Une exploitation correcte de cette information brute permettrait de s'appuyer sur cette richesse d'informations pour améliorer les performances de détection, aussi bien qu'une analyse approfondie de la reproductibilité et de la qualité de la mesure (p. ex. à travers une quantification correcte des incertitudes statistiques).

Dans le cadre du projet, nous proposons d'analyser les données brutes issues des spectromètres Échelle pour des expériences de spectrométrie LIBS à travers l'utilisation de techniques d'IA pour l'analyse d'image.

Au vu des avancées récentes des techniques d'apprentissage automatique, nous souhaitons explorer différentes architectures permettant l'extraction d'une information spectroscopique fiable, p. ex. à travers des méthodes de calibrage par modèles d'IA adaptés pour les analyses quantitatives LIBS, ou encore en améliorant la performance des techniques d'amélioration de la qualité d'image en utilisant des architectures dédiées telles que les modèles de diffusion et débruitage. D'un point de vue pratique, le projet portera aussi sur l'organisation, la caractérisation et la mise à disposition d'un ou plusieurs jeux de données d'images de capteurs "Échelle", nécessaire(s) pour l'entraînement des modèles.

PARLONS DE VOUS !

Vous êtes-vous titulaire d'un Bac+ 5 (Master 2) en Intelligence Artificielle 

 Vous possédez des compétences en :

• IA 
• Machine Learning 
• Apprentissage réseaux de neurones 

Expériences souhaitée : 1 à 2 ans

Vous savez utiliser les outils suivants :

• PyTorch
• Keras
• Docker
• Hugging Face
• Gitlab

Si vous avez une organisation rigoureuse  et que vous êtes capable de gérer efficacement les plannings et les priorités

Si vous êtes autonome et débrouillard.e, vous trouvez des solutions face aux imprévus et sachant s’adapter rapidement

Si vous savez évoluer facilement en équipe et vous épanouir dans des environnements collaboratifs.

… Alors votre talent a toute sa place chez nous ! 

PARLONS DE NOUS !

Au CEA, chacun évolue dans un environnement où l’autonomie et la responsabilité sont encouragées.

C'est l'esprit d'équipe qui nous permet d'atteindre des sommets durables. Chaque membre de l'équipe joue un rôle clé et ensemble nous surmontons les défis.

  « Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés »