Topic description
La fission nucléaire est un processus extrême au cours duquel un noyau lourd se déforme jusqu'à atteindre un point de non retour conduisant à sa séparation en deux fragments. Le processus s'accompagne d'un relâchement important d'énergie, principalement sous forme d'énergie cinétique des fragments nouvellement formés, mais aussi d'énergie d'excitation (typiquement une quinzaine de MeV par fragment). Par ailleurs, les fragments sont aussi produits avec un moment angulaire élevé. C'est par le biais de l'émission de neutrons et de photons que les fragments de fission évacuent leur énergie d'excitation et moment angulaire. L'expérience ultime en fission consisterait à identifier en masse et charge chaque fragment; mesurer leur énergie cinétique; et caractériser en énergie et multiplicité les neutrons et photons qu'ils émettent. Ce jeu de données permettrait en effet d'accéder à l'énergétique globale du processus de fission et à caractériser complètement la désexcitation des fragments. De part la complexité importante d'une telle mesure exclusive, ce jeu de données est toujours manquant.
Notre équipe s'oriente vers de telles mesures et ce travail de thèse vise à explorer les bénéfices que peuvent apporter les techniques de machine learning dans cette optique.
La thèse consistera à tirer partie de l'ensemble des données multi-corrélées accessibles expérimentalement afin d'alimenter des algorithmes de machine learning dont le but sera d'identifier les fragments de fission et de déterminer leurs propriétés.
Les techniques développées seront appliquées à un premier jeu de données utilisant une double chambre d'ionisation pour la détection des fragments de fission couplée à un ensemble de détecteur neutrons. Les données seront acquises en début de doctorat.
Dans un second temps, une étude plus exploratoire consistera à appliquer les mêmes techniques à des données obtenues durant le doctorat en utilisant une chambre à projection temporelle comme détecteur de fragments de fission. Il s'agira de démontrer que la résolution en énergie cinétique obtenue est compatibles avec l'étude de la fission.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Nuclear fission is an extreme process during which a heavy nucleus deforms until it reaches a point of no return leading to its separation into two fragments. The process goes with a significant release of energy, mainly as kinetic energy of the newly formed fragments, but also as excitation energy (about 15 MeV/fragment). In addition, the fragments are also produced with a high angular momentum. It is through the emission of neutrons and photons that fission fragments evacuate their energy and angular momentum. The ultimate experiment in fission would consist of identifying each fragment in mass and charge; measuring their kinetic energy; and characterize in energy and multiplicity the neutrons and photons they emit. This data set would make it possible to access the global energy of the fission process and to completely characterize the deexcitation of the fragments. Due to the significant complexity of such an exclusive measurement, this data set is always missing.
Our team is moving towards such measurement and this thesis work aims to explore the benefits that machine learning techniques can bring in this perspective.
The thesis will consist of taking advantage of all the experimentally accessible multi-correlated data in order to feed machine learning algorithms whose purpose will be to identify fission fragments and determine their properties.
The developed techniques will be applied to a first data set using a twin ionization chamber for the detection of fission fragments coupled to a set of neutron detectors. The data will be acquired at the beginning of the thesis.
In a second step, a more exploratory study will consist of applying the same techniques to data obtained during the thesis using a temporal projection chamber as a fission fragment detector. It will be a matter of demonstrating that the energy resolution is compatible with the study of fission.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Service de Physique Nucléaire
Laboratoire : Laboratoire etudes et applications des reactions nucleaires (LEARN)
Date de début souhaitée : 01-10-
Ecole doctorale : PHENIICS (PHENIICS)
Directeur de thèse : GAUDEFROY Laurent
Organisme : CEA
Laboratoire : DRF/IRFU/DPHN/LEARN
Funding category
Public/private mixed funding
Funding further details
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.