Apprentissage Machine pour la dynamique rapide: dépouillement de données expérimentales, calibration de paramètres et comparaison de modèles physiques

Machine learning for fast dynamics: analysis of experimental data, calibration of parameters and comparison of physical models

• Auteur / Autrice : Lisa Garcia
• Direction : Jean-François Giovannelli, Gael Poette, David Lugato
• Type : Projet de thèse
• Discipline(s) : Automatique, Productique, Signal et Image, Ingénierie cognitique
• Date : Inscription en doctorat le 07/11/2023
• Etablissement(s) : Bordeaux
• Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l’ingénieur (Talence, Gironde ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de l'Intégration du Matériau au Système
• Partenaire(s) de recherche : Equipe de recherche : SPECTRAL

Mots clés

Mots clés libres

Machine learning

Stratégies bayésiennes

Estimation de paramètres

Échantillonnage stochastique

Comparaison de modèles

Dynamique rapide

Machine learning

Bayesian strategies

Parameter estimation

Stochastic sampling

Comparison of models

Fast dynamic

Résumé

Le développement de nos connaissances en physique repose de plus en plus sur notre capacité à tirer parti efficacement de grands volumes de données expérimentales (par exemple sous forme d'images ou de films à haute résolution spatiale, temporelle ou même spectrale). Le contexte d'intérêt sera celui de la dynamique rapide des phénomènes dits de ''gouttes choquées'' et de la formation d'un brouillard produit. Le travail se situe à la frontière entre modèles physiques, simulations sous incertitudes et inférence bayésienne: après le dépouillement des données grâce aux outils de l'apprentissage profond, le travail consistera à comparer divers modèles des phénomènes physiques en jeu et à en estimer les paramètres en incluant les incertitudes associées.

The development of our knowledge in physics relies more and more on our ability to effectively take advantage of large volumes of experimental data (for example in the form of images or films with high spatial, temporal or even spectral resolution). The context of interest will be that of the rapid dynamics of the so-called ''shocked drop'' phenomena and the formation of a produced fog. The work is located on the border between physical models, simulations under uncertainties and Bayesian inference: after analyzing the data using deep learning tools, the work will consist of comparing various models of the physical phenomena in play and estimating their parameters. including associated uncertainties.