{"id":6676,"date":"2025-05-05T16:02:07","date_gmt":"2025-05-05T14:02:07","guid":{"rendered":"https:\/\/www.ganil-spiral2.eu\/?p=6676"},"modified":"2025-05-27T16:48:14","modified_gmt":"2025-05-27T14:48:14","slug":"lintelligence-artificielle-au-service-du-spectrometre-vamos-au-ganil","status":"publish","type":"post","link":"https:\/\/www.ganil-spiral2.eu\/fr\/2025\/05\/05\/lintelligence-artificielle-au-service-du-spectrometre-vamos-au-ganil\/","title":{"rendered":"L’intelligence artificielle au service du spectrom\u00e8tre VAMOS au GANIL"},"content":{"rendered":"\n

Au GANIL, un mod\u00e8le d\u2019intelligence artificielle bas\u00e9 sur un r\u00e9seau de neurones facilite et am\u00e9liore d\u00e9sormais l\u2019identification des noyaux d\u00e9tect\u00e9s dans le spectrom\u00e8tre VAMOS. Op\u00e9rationnel pour toutes les exp\u00e9riences, il offre une analyse en temps r\u00e9el des donn\u00e9es, tout en garantissant une pr\u00e9cision remarquable.L\u2019incertitude sur la masse atomique reste ainsi inf\u00e9rieure \u00e0 0,5 %, ce qui repr\u00e9sente un v\u00e9ritable gain pour la fiabilit\u00e9 et la rapidit\u00e9 des exp\u00e9riences men\u00e9es au GANIL.<\/strong><\/p>\n\n\n\n

Un spectrom\u00e8tre au c\u0153ur de la physique nucl\u00e9aire<\/strong><\/p>\n

VAMOS est un spectrom\u00e8tre magn\u00e9tique capable de collecter des particules issues d\u2019une grande vari\u00e9t\u00e9 de r\u00e9actions nucl\u00e9aires. Gr\u00e2ce \u00e0 sa grande acceptance en angle et en impulsion, il permet d\u2019analyser des ions tr\u00e8s diff\u00e9rents, issus d\u2019exp\u00e9riences complexes, en caract\u00e9risant deux de leurs propri\u00e9t\u00e9s fondamentales : le nombre de masse (A) et le num\u00e9ro atomique (Z). La d\u00e9termination de la masse repose sur la mesure de la rigidit\u00e9 magn\u00e9tique, un param\u00e8tre li\u00e9 \u00e0 la trajectoire des ions dans le champ magn\u00e9tique du spectrom\u00e8tre, ainsi qu\u2019\u00e0 leur \u00e9nergie et leur vitesse. Quant \u00e0 l\u2019identification du num\u00e9ro atomique, elle s\u2019effectue gr\u00e2ce \u00e0 la mesure de la perte d\u2019\u00e9nergie combin\u00e9e \u00e0 l\u2019\u00e9nergie totale du fragment.<\/p>\n

Cependant, l\u2019analyse des trajectoires d\u2019ions dans un appareil aussi complexe n\u2019est pas une mince affaire. Pour reconstituer le parcours pr\u00e9cis d\u2019un ion entre son point de production et le plan focal du spectrom\u00e8tre, il faut mesurer avec grande pr\u00e9cision ses coordonn\u00e9es initiales et finales, puis appliquer des algorithmes avanc\u00e9s de reconstruction de trajectoires. Jusqu\u2019ici, ces calculs \u00e9taient fond\u00e9s sur l\u2019hypoth\u00e8se simplificatrice d\u2019un point d\u2019impact tr\u00e8s localis\u00e9 du faisceau sur une cible mince, ce qui n\u2019est plus adapt\u00e9 \u00e0 tous les cas exp\u00e9rimentaux.<\/p>\n\n\n\n

Un nouveau d\u00e9fi: les cibles gazeuses \u00e9tendues
<\/strong><\/p>\n

Un nouveau programme exp\u00e9rimental de VAMOS, centr\u00e9 sur l\u2019\u00e9tude de la dynamique de fission, introduit une difficult\u00e9 suppl\u00e9mentaire : l\u2019utilisation d\u2019une cible gazeuse \u00e9tendue. Dans ce contexte, le faisceau interagit avec la cible sur un volume plus large, rendant obsol\u00e8te l\u2019hypoth\u00e8se d\u2019un point d\u2019interaction unique (voir Figure 1). Pour y rem\u00e9dier, les chercheurs ont mis au point une m\u00e9thode de reconstruction qui int\u00e8gre les coordonn\u00e9es tridimensionnelles du point d\u2019interaction entre le faisceau et la cible, une t\u00e2che particuli\u00e8rement complexe en raison de la non-lin\u00e9arit\u00e9 du syst\u00e8me.<\/p>\n\n\n\n

\"\"
Figure 1: Vue de l\u2019interaction entre le faisceau et le volume de gaz \u00e0 l\u2019entr\u00e9e de VAMOS : Cette coupe montre la zone o\u00f9 le faisceau interagit avec le gaz. Le point d\u2019origine repr\u00e9sente l\u2019interaction typique avec une cible mince. L\u2019angle entre le faisceau et l\u2019axe du spectrom\u00e8tre est de 15\u00b0. Les zones hachur\u00e9e et pleine indiquent respectivement le volume de gaz total et la zone effective d\u2019interaction. Un ion sortant y est illustr\u00e9.Interaction du faisceau dans le volume du gaz.<\/figcaption><\/figure><\/div>\n\n\n\n

C\u2019est ici que l\u2019intelligence artificielle entre en sc\u00e8ne. Les r\u00e9seaux de neurones profonds (DNN pour Deep Neural Networks<\/em>) sont particuli\u00e8rement adapt\u00e9s \u00e0 ce type de probl\u00e8me, car ils peuvent apprendre \u00e0 reconna\u00eetre des relations complexes dans des jeux de donn\u00e9es tr\u00e8s vastes. Les chercheurs ont opt\u00e9 pour une architecture dense \u00e0 six couches, comportant chacune 32 neurones, suivie d\u2019une unit\u00e9 de sortie. Les donn\u00e9es d\u2019entr\u00e9e du r\u00e9seau incluent la position en trois dimensions de l\u2019interaction dans la cible, les angles des produits de r\u00e9action et leurs coordonn\u00e9es au plan focal. Le r\u00e9seau apprend ensuite \u00e0 pr\u00e9dire la rigidit\u00e9 magn\u00e9tique et la longueur exacte de la trajectoire. Une repr\u00e9sentation sch\u00e9matique d’un tel r\u00e9seau neuronal profond est pr\u00e9sent\u00e9e en Figure 2.<\/p>\n\n\n\n

\"\"
Figure 2: Architecture g\u00e9n\u00e9rale du r\u00e9seau neuronal profond : compos\u00e9e de couches et d’unit\u00e9s (neurones) par couche, suivies d’une unit\u00e9 de sortie unique. L’entr\u00e9e du r\u00e9seau neuronal profond comprend les coordonn\u00e9es de trajectoire des ions suivantes : la position tridimensionnelle d’interaction du faisceau dans le volume de la cible ; les angles horizontaux et verticaux des produits de r\u00e9action sortants ; la position horizontale et l’angle des produits au plan focal du spectrom\u00e8tre. La sortie du r\u00e9seau neuronal profond fournit la rigidit\u00e9 magn\u00e9tique et la longueur de trajectoire entre le point d’interaction et le plan focal du spectrom\u00e8tre.<\/figcaption><\/figure><\/div>\n\n\n\n

Des r\u00e9sultats probants gr\u00e2ce \u00e0 l’apprentissage des donn\u00e9es simul\u00e9es<\/strong><\/p>\n\n\n\n

Pour entra\u00eener ce r\u00e9seau, les chercheurs ont utilis\u00e9 le code de simulation ZGOUBI, sp\u00e9cialis\u00e9 dans le calcul de trajectoires d\u2019ions dans des champs magn\u00e9tiques. Un ensemble de 200 millions de trajectoires th\u00e9oriques a \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9, couvrant l\u2019ensemble du volume de la cible gazeuse. Apr\u00e8s plusieurs heures d\u2019apprentissage, le r\u00e9seau de neurones est devenu capable de traiter les \u00e9v\u00e9nements en temps r\u00e9el avec une pr\u00e9cision exceptionnelle. Notamment, le r\u00e9seau de neurones maintient une pr\u00e9cision exceptionnelle, assurant une incertitude sur le nombre de masse atomique inf\u00e9rieure \u00e0 0,5%.<\/p>\n\n\n\n

La m\u00e9thode a \u00e9t\u00e9 valid\u00e9e \u00e0 l\u2019aide des donn\u00e9es issues de l\u2019exp\u00e9rience E826 men\u00e9e au GANIL. Lors de cette exp\u00e9rience, des fragments de fission ont \u00e9t\u00e9 produits par des r\u00e9actions induites par un faisceau d\u2019uranium 238 sur une  cible mince de b\u00e9ryllium. Le spectrom\u00e8tre VAMOS a permis de d\u00e9tecter ces fragments de fission. Les donn\u00e9es ont ensuite \u00e9t\u00e9 analys\u00e9es par le r\u00e9seau neuronal, qui a permis de reconstruire la distribution des masses atomiques avec succ\u00e8s dans le cas d\u2019une cible mince, comme le montre la Figure 3.<\/p>\n\n\n\n

\"\"
Figure 3: Application du r\u00e9seau neuronal profond au cas d\u2019une cible mince : Spectre du nombre de masse atomique obtenu \u00e0 partir de l’exp\u00e9rience avec cible mince en utilisant la m\u00e9thode de reconstruction bas\u00e9e sur le r\u00e9seau neuronal profond.<\/figcaption><\/figure><\/div>\n\n\n\n

Vers une nouvelle \u00e8re de l’analyse de donn\u00e9es<\/strong><\/p>\n

L\u2019int\u00e9gration de l\u2019intelligence artificielle dans les instruments de physique nucl\u00e9aire ouvre la voie \u00e0 de nombreuses perspectives. \u00c0 terme, ces technologies pourraient permettre une identification automatique de caract\u00e9ristiques fondamentales des noyaux, comme leur \u00e9tat charge ou leur num\u00e9ro atomique, sans n\u00e9cessiter d\u2019analyse manuelle. Elles pourraient aussi acc\u00e9l\u00e9rer significativement les simulations et la pr\u00e9paration des exp\u00e9riences, rendant le processus de recherche plus rapide et plus efficace.<\/p>\n

Ce projet au GANIL illustre parfaitement comment les outils num\u00e9riques les plus avanc\u00e9s peuvent s\u2019int\u00e9grer aux infrastructures exp\u00e9rimentales de pointe pour repousser les fronti\u00e8res de la connaissance. Gr\u00e2ce \u00e0 l\u2019intelligence artificielle, les chercheurs disposent d\u00e9sormais d\u2019un outil puissant pour explorer la mati\u00e8re \u00e0 l\u2019\u00e9chelle nucl\u00e9aire, avec une pr\u00e9cision et une rapidit\u00e9 jusqu\u2019alors inaccessibles.<\/p>\n

Pour en savoir plus :<\/p>\n

[1] Performance of the improved larger acceptance spectrometer :  VAMOS++<\/em>,  M. Rejmund et al<\/em>. Nucl. Inst. And Methods A 646<\/strong>, 184 (2011), doi : <\/em>10.1016\/j.nima.2011.05.007<\/a><\/p>\n

[2] Seven-dimensional trajectory reconstruction for VAMOS++<\/em>, M. Rejmund and A. Lemasson, Nucl. Inst. And Methods A 1076<\/strong>, 170445 (2025), doi : 10.1016\/j.nima.2025.170445<\/a><\/p>\n\n\n\n\n","protected":false},"excerpt":{"rendered":"

Au GANIL, un mod\u00e8le d\u2019intelligence artificielle bas\u00e9 sur un r\u00e9seau de neurones facilite et am\u00e9liore d\u00e9sormais l\u2019identification des noyaux d\u00e9tect\u00e9s dans le spectrom\u00e8tre VAMOS. Op\u00e9rationnel pour toutes les exp\u00e9riences, il offre une analyse en temps r\u00e9el des donn\u00e9es, tout en garantissant une pr\u00e9cision remarquable.L\u2019incertitude sur la masse atomique reste ainsi inf\u00e9rieure \u00e0 0,5 %, ce […]<\/p>\n","protected":false},"author":23,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/www.ganil-spiral2.eu\/?p=6660"},"categories":[19],"tags":[],"_links":{"self":[{"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/posts\/6676"}],"collection":[{"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/users\/23"}],"replies":[{"embeddable":true,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/comments?post=6676"}],"version-history":[{"count":8,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/posts\/6676\/revisions"}],"predecessor-version":[{"id":6709,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/posts\/6676\/revisions\/6709"}],"wp:attachment":[{"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/media?parent=6676"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/categories?post=6676"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.ganil-spiral2.eu\/wp-json\/wp\/v2\/tags?post=6676"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}