Apprentissage profond pour l'identification de molécules du milieu interstellaire

Deep Learning for the Identification of Molecules from the Interstellar Medium

• Auteur / Autrice : Xuewen Xiao
• Direction : Daniel Pelaez-ruiz, Frédéric Magoulès
• Type : Projet de thèse
• Discipline(s) : Chimie
• Date : Inscription en doctorat le 13/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences chimiques : molécules, matériaux, instrumentation et biosystèmes
• Partenaire(s) de recherche : Laboratoire : Institut des Sciences Moléculaires d'Orsay
• Partenaire(s) de recherche : Equipe de recherche : Systèmes Moléculaires, Astrophysique et Environnement (SYSTEMAE)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Chimie théorique

Informatique

Sciences de l'univers et de l'environnement

Computer science

Environmental sciences and sciences of the Universe

Theoretical Chemistry

Résumé

(Réservé aux candidatures de doctorants chinois) Ce projet vise à générer un agent de Deep Learning (DL) pour la génération des spectres moléculaires infrarouges (IR) pour des Hydrocarbures Polycycliques Aromatiques (HAP) dans le cadre des Bandes Aromatiques Infrarouges (AIBs). L'approche proposée n'impliquera aucune déconvolution phénoménologique quelle qu'elle soit. L'objectif principal sera de déverrouiller le problème non résolu des bandes infrarouges AIBs en relation avec des expériences récentes au laboratoire ISMO (Paris-Saclay). Pour ce but, l'agent DL sera spécifiquement entrainé dans l'espace chimique des HAP et des systèmes moléculaires connexes. Les ensembles d'entraînement et de validation seront composés d'un mélange de spectres expérimentaux et synthétiques obtenus à partir de nos calculs en dynamique quantique et de réseaux de neurones propres ainsi qu'à partir des spectres de bases de données ouvertes telles que celles de la NASA.

(Reserved for applications from Chinese doctoral students) This project aims at generating a Deep Learning (DL) agent for the generation of infrared (IR) molecular spectra for Polycyclic Aromatic Hydrocarbons (PAHs) in the context of Aromatic Infrared Bands (AIBs). The proposed approach will not involve any phenomenological deconvolution whatsoever. The main objective will be to unlock the unsolved problem of AIBs infrared bands in relation with recent experiments at the ISMO laboratory (Paris-Saclay). For this purpose, the DL agent will be specifically trained in the chemical space of PAHs and related molecular systems. The training and validation sets will be composed of a mixture of experimental and synthetic spectra obtained from our own quantum dynamics calculations and neural networks as well as from spectra in open databases such as NASA.