Contexte : l’identification automatique de radionucléides à partir de mesures spectroscopiques joue un rôle clef dans différentes applications nucléaires telles que la prévention du trafic illicite de matières nucléaires, l’analyse de données expérimentales en situation de crise radiologique ou encore le démantèlement des installations nucléaires. La robustesse de la prise de décision est un élément important pour limiter les interventions d’un expert. Par ailleurs, les techniques classiques d’analyse ne sont pas adaptées à l’identification automatique pour des mesures de terrain par du personnel non-expert ou la détection d’anomalies à faible statistique. Ces applications requièrent donc des approches algorithmiques spécifiques qui peuvent être notamment basées sur des techniques de machine learning.
Le laboratoire est impliqué dans le développement d’un outil d’analyse automatique des spectres gamma à faible statistique selon une approche métrologique pouvant être appliqué avec des détecteurs scintillateurs (NaI(Tl), plastiques) ayant une faible résolution en énergie. Cette approche est fondée sur la technique du démélange spectral en utilisant l’information provenant de l’ensemble du spectre mesuré. Cette technique nécessite la construction d’une bibliothèque de spectres caractéristiques (signatures spectrales) pour chaque radionucléide à identifier et dépendant du détecteur utilisé. Développé en collaboration avec le CEA/Irfu/Lilas et l’IRSN/LMRE, le démélange spectral parcimonieux permet de répondre aux contraintes métrologiques telles que la robustesse de la prise de décision et l’estimation non biaisée des comptages associés aux radionucléides identifiés. Actuellement les études portent sur l’extension de cette approche à l’aide de techniques de machine learning dans le but de prendre en compte de la déformation des signatures spectrales due aux phénomènes d’atténuation et de diffusion Compton dans l’environnement d’une source radioactive. Ces études portent également sur l’identification des neutrons thermiques avec un détecteur NaIL dopé au lithium.

Objectifs : pour répondre aux contraintes de la mesure de terrain et en particulier à la déformation des spectres due aux interactions dans l’environnement d’une source radioactive, un modèle hybride de démélange spectral combinant des méthodes d’apprentissage statistique et de machine learning est en cours de développement dans le cadre d’une thèse de doctorat. Cette solution mathématique a pour but l’implémentation d’une estimation conjointe des signatures spectrales et des comptages associés aux radionucléides identifiés. L’étape suivante sera la quantification des incertitudes des grandeurs estimées à partir du modèle hybride. L’objectif est également d’investiguer la technique du démélange spectral dans le cas de la détection des neutrons avec un détecteur NaIL. Le futur candidat contribuera à ces différentes études dans le cadre d’une collaboration avec le CEA/Irfu/Lilas.

La personne recrutée sera titulaire d'un doctorat en mathématiques ou en physique nucléaire. Elle aura acquis des compétences en traitement du signal et en machine learning au cours de ses études. Le candidat devra également maîtriser un langage de programmation tel que Python. La pratique du langage C++ sera également appréciée pour des simulations rayonnements-matière.

La durée initiale du post-doctorat est de 12 mois au Laboratoire national Henri Becquerel (CEA/Saclay). Il sera effectué en collaboration avec le CEA/Irfu/Lilas avec un début souhaité durant le premier semestre 2024.