Utilisation de l'Intelligence Artificielle pour la Fusion par Confinement Inertiel // Using Artificial Intelligence for Inertial Confinement Fusion

Contexte
L'intelligence artificielle (IA) transforme radicalement les méthodologies de recherche dans divers domaines scientifiques, et la Fusion par Confinement Inertiel (FCI) ne fait pas exception. La FCI, visant la production d'énergie décarbonée via la fusion nucléaire, est un domaine stratégique avec des enjeux majeurs pour la transition énergétique. Dernièrement, le National Ignition Facility (NIF) a franchi une étape historique en réalisant la première réaction de fusion contrôlée, où l'énergie thermonucléaire générée a été supérieure à l'énergie fournie par les lasers.

Dans ce contexte, la France s'engage dans la recherche pour la production d'énergie propre, notamment à travers le projet TARANIS, sélectionné dans le cadre de l'appel à projets Bpifrance 2024 sur les « réacteurs nucléaires innovants ». Ce projet vise à développer et industrialiser la fusion nucléaire à partir de deutérium-tritium, réalisée par confinement inertiel à l'aide de lasers haute énergie. Le laboratoire CELIA, en collaboration avec le LULI (CNRS, École Polytechnique, CEA) et le CEA, apporte son expertise en lasers et en simulation multi-échelles pour relever les défis de ce domaine. L'IA est explorée comme un levier innovant pour améliorer la précision, la rapidité et l'efficacité des simulations utilisées pour concevoir des cibles optimales.

Objectifs de la Thèse
Cette thèse vise à poursuivre les travaux de recherche initiés par notre équipe, en particulier ceux de Morad Ben Tayeb (optimisation des cibles FCI avec IA générative) et de Corisande Lamy (modélisation du transport non local des électrons dans les plasmas via des réseaux de neurones). Le/la doctorant(e) sera chargé(e) de développer des solutions optimales pour les expérimentations de fusion par confinement inertiel, en utilisant des algorithmes d'IA pour optimiser les cibles FCI.

Les objectifs principaux sont :
• Développement d'algorithmes d'IA : Utilisation de modèles comme les autoencodeurs variationnels, GANs (réseaux antagonistes génératifs), PINNs (Physics-informed Neural Networks), Opérateurs neuronaux, etc., pour prédire et optimiser les configurations de cibles FCI.
• Génération de bases de données via des simulations hydrodynamiques : Utilisation de codes dédiés à la simulation de phénomènes de FCI pour produire des bases de données permettant d'explorer des schémas d'allumage comme le point chaud central, l'allumage par choc et la coquille dynamique ; préparation à des campagnes expérimentales dédiées.
• Validation et optimisation des résultats : Comparaison des résultats des simulations avec des données expérimentales et modèles théoriques, et intégration des outils développés dans des codes de calcul haute performance (HPC).
• Autres applications : Exploration d'autres domaines d'application, notamment l'optimisation d'une source de protons pour des applications à la FCI et à l'oncologie (coils, projet Doplight).
Le travail sera effectué en étroite collaboration avec des chercheurs experts en physique de la fusion, en calcul scientifique et en IA.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Context
Artificial intelligence (AI) is radically transforming research methodologies in various scientific fields, and inertial confinement fusion (ICF) is no exception. ICF, which aims to produce low-carbon energy through nuclear fusion, is a strategic field with major implications for the energy transition. Recently, the National Ignition Facility (NIF) reached a historic milestone by carrying out the first controlled fusion reaction, where the thermonuclear energy generated was greater than the energy supplied by lasers.

Against this backdrop, France is committed to research into clean energy production, notably through the TARANIS project, selected as part of the Bpifrance 2024 call for projects on ‘innovative nuclear reactors'. This project aims to develop and industrialise nuclear fusion using deuterium-tritium, achieved by inertial confinement using high-energy lasers. The CELIA laboratory, in collaboration with the LULI (CNRS, École Polytechnique, CEA) and the CEA, is contributing its expertise in lasers and multi-scale simulation to meet the challenges of this field. AI is being explored as an innovative lever for improving the accuracy, speed and efficiency of simulations used to design optimal targets.

Objectives of the thesis
This thesis aims to continue the research work initiated by our team, in particular that of Morad Ben Tayeb (optimising FCI targets with generative AI) and Corisande Lamy (modelling non-local electron transport in plasmas using neural networks). The PhD student will be responsible for developing optimal solutions for inertial confinement fusion experiments, using AI algorithms to optimise FCI targets.

The main objectives are :
- Development of AI algorithms: Use of models such as variational autoencoders, GANs (generative adversarial networks), PINNs (Physics-informed Neural Networks), neural operators, etc., to predict and optimise FCI target configurations.
- Generation of databases via hydrodynamic simulations: Use of codes dedicated to the simulation of FCI phenomena to produce databases for exploring ignition schemes such as the central hot spot, shock ignition and the dynamic shell; preparation for dedicated experimental campaigns.


- Validation and optimisation of results: Comparison of simulation results with experimental data and theoretical models, and integration of the tools developed into high-performance computing (HPC) codes.
- Other applications: Exploration of other fields of application, in particular the optimisation of a proton source for applications in CFI and oncology (coils, Doplight project).
The work will be carried out in close collaboration with researchers with expertise in fusion physics, scientific computing and AI.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025

Financement d'un établissement public Français

Université de Bordeaux

39 Mathématiques et Informatique

Compétences requises • Simulation numérique : Expérience avec des codes de calcul scientifique et des plateformes de calcul haute performance (HPC). • Physique des plasmas et des lasers : Un fort intérêt pour ces domaines, avec éventuellement une première expérience dans ces secteurs, est apprécié. • Intelligence artificielle et machine learning : Expérience avec des techniques d'IA, notamment les réseaux de neurones et les autoencodeurs. La maîtrise d'outils comme TensorFlow, Keras ou PyTorch serait un plus. • Programmation : Maîtrise des langages Python, Fortran et C++ ; compétences en calcul parallèle et en traitement de données.
Skills required - Numerical simulation: Experience with scientific computing codes and high-performance computing (HPC) platforms. - Plasma and laser physics: A strong interest in these areas, possibly with initial experience in these sectors, is appreciated. - Artificial intelligence and machine learning: Experience with AI techniques, in particular neural networks and autoencoders. Mastery of tools such as TensorFlow, Keras or PyTorch would be a plus. - Programming: Proficiency in Python, Fortran and C++; skills in parallel computing and data processing.