Stage - Bac+4 - +5 - Analyse de Signaux de Vélocimétrie par Intelligence Artificielle H/F - CEA

La Direction des Applications Militaires (DAM) du CEA, au coeur des enjeux de la dissuasion nucléaire Française, cherche ses futurs talents. Organisme inclusif, le CEA est handi-accueillant : nos emplois sont ouverts à toutes et tous. Associer les forces et les compétences de chacun pour atteindre nos objectifs est l'une de nos valeurs partagée par nos 4 600 salariés, répartis sur 5 centres. Les 1 800 salariés du centre de Bruyères-le-Châtel, en Ile de France relèvent les défis scientifiques et technologiques au service de notre Sécurité Nationale. Le centre conçoit les charges nucléaires des armes de la dissuasion, garantit leur sécurité et leur fiabilité en s'appuyant sur le programme simulation. Il met son expertise technique au service des activités dans la lutte contre la prolifération nucléaire, le terrorisme et les alertes en cas de séisme ou de tsunami. Il assure l'ingénierie des infrastructures complexes de la DAM, de leur conception à leur démantèlement. Il co-développe avec Atos les supercalculateurs au meilleur niveau mondial, dont sont issus ceux du Très Grand Centre de Calcul du CEA, qu'il exploite pour ses missions Défense et gère au profit de la recherche. Enfin, il exploite les installations nécessaires au maintien en condition opérationnelle et à la conception des chaufferies nucléaires embarquées sur les sous-marin et les porte-avions.

Venez-vous investir et relever des défis avec des moyens technologiques d'exception!

Deux approches innovantes ont été récemment proposées pour améliorer l'analyse des signaux VH sans utiliser le spectrogramme. La première consiste à inférer la vitesse directement sur le signal oscilloscope via une approche bayésienne [1]. Cette méthode montre des résultats prometteurs, mais nécessite une exploration approfondie pour capturer les comportements de vitesse rapides ou discontinues. La seconde approche est basée sur l'apprentissage automatique et s'inspire d'algorithmes de Machine Learning existants pour la séparation des sources audio et l'estimation de la hauteur tonale dans les enregistrements musicaux [2]. Bien que présentant des résultats encourageants, cette technique présente une précision limitée, des difficultés à discriminer plusieurs objets avec des vitesses différentes, une sensibilité au bruit ainsi qu'une dépendance aux données d'entraînement.

Dans ce contexte, le stage vise à mettre en place et à approfondir ces différentes approches, et à comparer leurs performances. D'autres algorithmes seront susceptibles d'être explorés.
L'ensemble des développements s'effectuera en Python.

Références :
[1] J.R. Allison et al., A Bayesian approach to time-domain photonic Doppler velocimetry analysis, Review of Scientific Instruments, 2025, https://doi.org/10.1063/5.0267409.
[2] A. Susser et al., Velocity Extraction Using Complete Time-Domain Waveform Data and Audio Machine Learning, 2026, https://doi.org/10.1007/s40870-026-00510-3.

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l'inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.

Maîtrise correcte du langage Python nécessaire. Connaissance de librairies telles que PyTorch appréciée.
Solide formation en mathématiques appliquées et en intelligence artificielle.
Intelligence Artificielle, Inférence bayésienne, Machine Learning, Python3, PyTorch.
Bac +4/+5