Analyse de signaux de vélocimétrie par Intelligence Artificielle

Mathématiques, information  scientifique, logiciel Stage - Bac+4/+5 - Analyse de signaux de vélocimétrie par Intelligence Artificielle - H/F La Vélocimétrie Hétérodyne (VH) est un diagnostic fibré permettant de mesurer les vitesses de surfaces en mouvement rapide dans des expériences à haute densité d’énergie. La méthode standard d’analyse utilise la Transformée de Fourier à fenêtre glissante pour générer un spectrogramme à partir duquel l’histoire de la vitesse de la cible est déduite. Néanmoins, cette méthode présente certaines limites, notamment en ce qui concerne la nécessité de choix subjectifs de paramètres, la gestion des régions de faible rapport signal/bruit, ou encore la limite de Gabor-Heisenberg pour la résolution temps-fréquence. Deux approches innovantes ont été récemment proposées pour améliorer l'analyse des signaux VH sans utiliser le spectrogramme. La première consiste à inférer la vitesse directement sur le signal oscilloscope via une approche bayésienne [1]. Cette méthode montre des résultats prometteurs, mais nécessite une exploration approfondie pour capturer les comportements de vitesse rapides ou discontinues. La seconde approche est basée sur l'apprentissage automatique et s’inspire d’algorithmes de Machine Learning existants pour la séparation des sources audio et l'estimation de la hauteur tonale dans les enregistrements musicaux [2]. Bien que présentant des résultats encourageants, cette technique présente une précision limitée, des difficultés à discriminer plusieurs objets avec des vitesses différentes, une sensibilité au bruit ainsi qu’une dépendance aux données d’entraînement. Dans ce contexte, le stage vise à mettre en place et à approfondir ces différentes approches, et à comparer leurs performances. D’autres algorithmes seront susceptibles d’être explorés. L’ensemble des développements s’effectuera en Python. Références : [1] J.R. Allison et al., A Bayesian approach to time-domain photonic Doppler velocimetry analysis, Review of Scientific Instruments, 2025, https://doi.org/10.1063/5.0267409. [2] A. Susser et al., Velocity Extraction Using Complete Time-Domain Waveform Data and Audio Machine Learning, 2026, https://doi.org/10.1007/s40870-026-00510-3. 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. Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation. Maîtrise correcte du langage Python nécessaire. Connaissance de librairies telles que PyTorch appréciée. Solide formation en mathématiques appliquées et en intelligence artificielle. Intelligence Artificielle, Inférence bayésienne, Machine Learning, Python3, PyTorch. Bac+4/+5