Thèse Analyse Spectrale Multi-Temporelle et Apprentissage Automatique pour la Détection des Radionucléides Artificiels dans le Cadre de l'Otice. H/F - Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Physique École doctorale : Particules, Hadrons, Énergie et Noyau : Instrumentation, Image, Cosmos et Simulation Laboratoire de recherche : CEA/LMCE - Laboratoire Matière sous conditions extrêmes - DAM Direction de la thèse : Olivier ROIG ORCID 0009000171381977 Début de la thèse : 2026-11-02 Date limite de candidature : 2026-10-31T23:59:59 Contexte : Le CEA/DAM est l'expert technique désigné par la France auprès de l'Organisation du Traité d'Interdiction Complète des Essais nucléaires (OTICE). Dans ce cadre, le CEA/DAM exploite en routine les données radionucléides du SSI (Système de Surveillance International) mis en place dans le cadre de la vérification de ce traité. Ces données sont reçues en continu des stations par le Centre National de Données (CND).
La détection de tout produit d'activation ou de fission est une tâche délicate en raison de la forte variabilité des conditions de prélèvement et de mesure qui impacte les spectres enregistrés. Pour répondre à sa mission de surveillance, le CEA DAM développe des méthodes de détection et d'analyse pour gagner en sensibilité et en réactivité.

Objectif de la thèse : La détection d'événements repose sur l'analyse interactive de spectres envoyés par les stations. La complexité de cette analyse tient à la forte variabilité des conditions de mesure (détecteur et bruit de fond) ainsi qu'au nombre élevé de radionucléides naturels prélevés qui rendent difficiles la détection au niveau de traces de radionucléides artificiels. Cette thèse vise à optimiser la mesure des filtres de prélèvement d'aérosols afin de gagner en sensibilité et en robustesse dans la détection des radionucléides sous forme particulaire sur les stations du SSI.
L'objectif est d'identifier les voies d'amélioration et d'évaluer les gains en développant et en mettant en oeuvre de nouveaux outils d'analyse (démélange spectral multi-temporel, apprentissage automatique) afin de s'affranchir au mieux des interférences et contributions du mouvement propre. Ces nouveaux outils seront implémentés et évalués dans des conditions réelles de mesure et d'analyse.
La détection d'événements repose sur l'analyse interactive de spectres envoyés par les stations. La complexité de cette analyse tient à la forte variabilité des conditions de mesure (détecteur et bruit de fond) ainsi qu'au nombre élevé de radionucléides naturels prélevés qui rendent difficiles la détection au niveau de traces de radionucléides artificiels. Cette thèse vise à optimiser la mesure des filtres de prélèvement d'aérosols afin de gagner en sensibilité et en robustesse dans la détection des radionucléides sous forme particulaire sur les stations du SSI. L'objectif est d'identifier les voies d'amélioration et d'évaluer les gains obtenus par l'optimisation du schéma temporel des mesures, entre durée de prélèvement, durée de décroissance et durée de mesure, la piste privilégiée étant de réduire au mieux le délai de décroissance. L'utilisation d'un second
détecteur en station sera également étudiée, soit pour permettre des mesures simultanées de 2 filtres, l'un immédiatement, l'autre après décroissance, soit pour mesurer les filtres en coïncidence Ge/Ge. Différentes approches seront étudiées en combinant :
(i) démélange spectral multi-temporel utilisant les corrélations temporelles (loi de
décroissance) entre les spectres des mesures successives d'un filtre
(ii) apprentissage automatique afin d'estimer le bruit de fond à soustraire et/ou les signatures
spectrales des radionucléides d'intérêt

Mesure de la radioactivité, simulation de Monte Carlo, méthodes statistiques, analyse de données, intelligence artificielle.
Capacité à travailler en équipe.
Un bon niveau d'anglais (à la lecture et à l'écrit) est requis.
Une expérience en programmation (Python, etc.) est requise.
Capacité à interagir avec des experts issus de divers domaines.
Méthodes et logiciels spécifiques : spectrométrie gamma, traitement du signal, méthodes statistiques, décomposition spectrale, réseaux neuronaux, apprentissage automatique.