Développement de méthodologies d'intelligence artificielle pour l'analyse de données issue de la diffusion de rayon X aux petits angles (SAXS)

Development of artificial intelligence methodologies for data analysis from small angle x-ray scattering (SAXS)

• Auteur / Autrice : Nicolas Monge
• Direction : Massih-Reza Amini, Alexis Deschamps
• Type : Projet de thèse
• Discipline(s) : Mathématiques et Informatique
• Date : Inscription en doctorat le 01/11/2021
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'Informatique de Grenoble
• Partenaire(s) de recherche : Equipe de recherche : AMA

Mots clés

Mots clés libres

Matériaux

Apprentissage machine

Saxs

Réseaux de neurones

Nano particules

Machine learning

Materials

Saxs

Neural networks

Nano particules

Résumé

La détermination de la structure globale de nanoparticules et de macromolécules dans un milieu proche de leur état natif revêt une grande importance pour une large gamme d'applications scientifiques, médicales et industrielles (alimentation, cosmétiques, pharmacie, polymères). La diffusion des rayons X aux petits angles (SAXS) est une méthode de choix pour ces études, mais le manque de méthodes automatisées d'analyses de données est devenu un facteur limitant. Le but principal de ce travail de thèse est de développer des méthodes d'apprentissage machine adaptées à cette tâche pour obtenir des analyses d'une rapidité et d'une précision suffisantes pour apporter à l'utilisateur un retour immédiat sur l'expérience, et d'appliquer ces méthodes à des applications industrielles. Les méthodes développées intégreront la connaissance de l'expert de façon collaborative suivant deux modes hors-ligne et en ligne pour une analyse plus complète et une meilleure interopérabilité des résultats

Determination of the overall structure of nanoparticles and macromolecules in a medium close to their native state is of great importance for a wide range of applications scientific, medical and industrial (food, cosmetics, pharmacy, polymers). The Small-angle x-ray scattering (SAXS) is a method of choice for these studies, but the lack of automated data analysis methods has become a limiting factor. The goal main of this thesis work is to develop adapted machine learning methods to this task to obtain analyzes of sufficient speed and precision to provide the user an immediate feedback on the experience, and to apply these methods to applications industrial. The methods developed will integrate the knowledge of the expert in a collaborative in two offline and online modes for a more complete analysis and better interoperability of results