Offre de thèse
Détection d'anomalies pour le Synchrtron ESRF
Date limite de candidature
01-11-2025
Date de début de contrat
01-12-2025
Directeur de thèse
CLAUSEL Marianne
Encadrement
La thèse sera coencadrée par Myriam Tami (MICS-Centralesupelec) et Aurore Lomet (CEA Saclay). Les rencontres seront hebdomadaires
Type de contrat
école doctorale
équipe
contexte
Ce poste de doctorat s'inscrit dans le cadre d'une collaboration entre différentes équipes du CEA (LIAD, NRX - Équipe Nanostructures et Rayons X à Grenoble), l'université de Lorraine et le Synchrotron européen (ESRF), chacune apportant des compétences distinctes telles que l'IA, la physique des lignes de lumière et l'instrumentation. L'objectif est d'introduire un graphe causal hiérarchique et d'utiliser la notion de modèle causal de substitution pour identifier les liens causaux simples (paramètre unique) et conjoints (combinaison de paramètres) les plus pertinents qui caractérisent les causes d'une anomalie. Ainsi, l'objectif du projet est de proposer une IA interprétable basée sur des graphes causaux afin d'aider les opérateurs de faisceaux et les scientifiques. Traduit avec DeepL.com (version gratuite)spécialité
Automatique, Traitement du signal et des images, Génie informatiquelaboratoire
CRAN - Centre de Recherche en Automatique de Nancy
Mots clés
Inférence causale, Détection d'anomalies
Détail de l'offre
Sur les lignes de lumière synchrotron et laser, il est nécessaire d'augmenter la fiabilité de la production d'un faisceau aux performances optimales afin d'augmenter respectivement le taux de production de données scientifiques et l'intensité laser sur la cible. Sur la ligne synchrotron, l'objectif est d'offrir un temps de collecte de données maximal au plus grand nombre d'équipes d'utilisateurs. Le facteur limitant (le temps minimum consacré à la mise en place de l'équipement et à sa correction en cas de dérive ou de dysfonctionnement, reste fortement lié à la prise de décision humaine.
Nous proposons da'utomatiser ce processus via des approches causales
Keywords
Causal Inference, Anomaly detection
Subject details
On synchrotron and laser light lines, increasing the reliability of producing a beam with optimal performance is a necessity to respectively increase the rate of scientific data production and laser intensity on the target. On the synchrotron line, the goal is to offer maximum data collection time to the greatest number of user teams. The limiting factor (the minimum time dedicated to setting up the equipment and correcting it in case of drift or malfunctions, illustrated in Figure~\ref{fig:light_line}) is still strongly linked to human decision-making. We propose an automation of this process through causal approaches
Profil du candidat
Master en Statisque
Candidate profile
Master in Statistics
Référence biblio
[1] Clark Glymour, Kun Zhang, and Peter Spirtes. Review of causal discovery methods based on graphical
models. Frontiers in genetics, 10:524, 2019.
[2] Biwei Huang, Kun Zhang, Jiji Zhang, Joseph Ramsey, Ruben Sanchez-Romero, Clark Glymour, and Bernhard Schölkopf. Causal discovery from heterogeneous/nonstationary data. Journal of Machine Learning
Research, 21(89):1–53, 2020.
[3] Lucie Kunitomo-Jacquin, Aurore Lomet, and Jean-Philippe Poli. Causal discovery for fuzzy rule learning.
In 2022 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), pages 1–8. IEEE, 2022.
[4] Judea Pearl. Causality. Cambridge university press, 2009.
[5] Jonas Peters, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning
algorithms. The MIT Press, 2017.