Pause
Lecture
Moteur de recherche d'offres d'emploi CEA

Fiabilité des algorithmes d'Intelligence Artificielle appliqués à la surveillance de l'environnement


Détail de l'offre

Informations générales

Entité de rattachement

Situé à 40 km au sud de Paris, le centre DAM-Île de France, a en charge la conception des armes nucléaires françaises, la recherche et développement dans le domaine de la lutte contre la prolifération et le terrorisme, l'alerte aux autorités en cas de séisme, de tsunami ou d'essai nucléaire étranger, la construction et le démantèlement de grandes infrastructures nucléaires. Leader français de la simulation numérique et du calcul intensif, il possède deux des machines européennes les plus puissantes. Il dispose également de plusieurs accélérateurs et de nombreux moyens techniques et expérimentaux pour mener ses recherches. Lui est également rattaché, l'Unité Propulsion Nucléaire située sur le centre CEA/Cadarache en région Provence Alpes-Côte d'Azur, où sont implantées les installations d'essais et une partie des fabrications de la propulsion nucléaire.  

Référence

2022-21096-S0680  

Description du poste

Domaine

Mathématiques, information  scientifique, logiciel

Contrat

Post-doctorat

Intitulé de l'offre

Fiabilité des algorithmes d'Intelligence Artificielle appliqués à la surveillance de l'environnement

Sujet de stage

Fiabilité des algorithmes d'Intelligence Artificielle appliqués à la surveillance de l'environnement

Durée du contrat (en mois)

1 an

Description de l'offre

Le Département Analyse, Surveillance, Environnement (DASE) du CEA prend en continu le pouls de la Terre à l’aide d’un réseau de capteurs qui enregistrent les plus petits mouvements du sol, des océans et de l’atmosphère.
Toutes ces données, qui prennent la forme de signaux, sont analysées systématiquement afin d’alerter rapidement les autorités en cas de forts séismes, de tsunamis ou d’essais nucléaires, puis sont sauvegardées dans une base de données.
Ces données accumulées au fil des années sont une mine d’or qu’il faut sans cesse apprendre à explorer. Fort de sa base de données regroupant aujourd’hui plus de 500 000 événements géophysiques et plus de 20 ans de signaux numériques, le DASE s’est engagé activement pour mettre en œuvre des traitements issus de l’apprentissage automatique (apprentissage profond et au sens large intelligence artificielle) afin de répondre à ses missions de surveillance.
Le principal inconvénient des méthodes IA de discrimination couramment utilisées est de considérer lors de la phase d’apprentissage uniquement les données préalablement analysées et classifiées. Ainsi lors de l’utilisation opérationnelle, la classification de données appartenant à des classes jamais identifiées par le passé ou absentes des catalogues de référence est problématique et systématiquement erronée. Pour l’instant nous ne disposons d’aucune méthode permettant d’identifier ces données et donc d’améliorer ni même d’évaluer la confiance à attribuer aux analyses d’une IA.
Pourtant, dans le contexte de la surveillance, ce type de données est d'une importance primordiale car il peut s’agir : d’un événement atypique (explosion, ...), d’une nouvelle classe de signal (ouverture d’une mine, d’une usine), de l’évolution d’une classe d’événement (changement de dynamique d’une faille, modification d’une activité anthropique, etc.), d’une défaillance d’un capteur mettant en cause les performances du système de surveillance.
Le projet est une collaboration entre deux laboratoires complémentaires du CEA (Bruyères-le-Châtel et Grenoble), le premier ayant une expertise dans le domaine applicatif, l’autre étant spécialiste des méthodes d’intelligence artificielle. Le post-doctorant sera hébergé au CEA de Grenoble.
Les travaux seront divisés en deux étapes. Il s’agit dans un premier temps de bien classifier les données (signaux) appartenant aux classes connues tout en détectant l’apparition d’événements non connus. Pour cela, nous proposons de développer dans le cadre de ce post-doc un modèle IA original couplant modélisation de séries temporelles, classification et détection d’anomalies. Chaque donnée ne pouvant être assimilée à une classe connue, sera alors regroupée dans une classe « anomalie ». Dans un second temps, les données de cette classe seront regroupées automatiquement selon leurs similarités (étape de clustering) puis présentées aux experts pour une analyse plus approfondie.

Profil du candidat

Traitement du signal; Tensor Flow; scikit learn; PyTorch ; Géophysique
IA ; Python
Thèse

Localisation du poste

Site

DAM Île-de-France

Localisation du poste

France, Ile-de-France, Essonne (91)

Ville

Bruyères-le-Châtel