Dunstan Becht "Accélération des Codes de Structure Atomique et Nucléaire par Intelligence Artificielle"

vendredi 6 nov. 2026, 09:30 → 13:00 Europe/Paris

Barre 22-23 / Salle 401 (Sorbonne Université)

/!\ Due to the uncertainties of blocking and the filtering system put in place by Sorbonne University, please inform us quickly if you plan to come, by sending an email to dunstan.becht@cea.fr

Acceleration of Atomic and Nuclear Structure Codes by Artificial Intelligence

Accurate atomic and nuclear data are increasingly needed for applications such as tests of fundamental physics, astrophysical modeling, plasma diagnostics, and the identification of metastable states. These applications rely on extensive quantum many-body calculations.

In atomic physics, electrons are treated relativistically, for instance, via the Dirac-Fock method, with quantum electrodynamics corrections for high precision. In nuclear physics, protons and neutrons interact through nuclear interaction which is the residue at long distance of the strong force. Both fields can build wavefunctions as combinations of configurations generated by particle-hole excitations from a reference. These methods can be highly accurate but face two key limitations. The number of configurations needed to capture correlations grows combinatorially with the number of particles, rapidly increasing computational costs. Moreover, orbitals are either optimized self-consistently with the wavefunction or kept fixed. In the former case, the initial orbital choice is critical, as it directly affects convergence.

This work explores machine learning to mitigate these limitations. Neural networks assist in selecting convergence parameters, enabling more systematic large-scale calculations. In parallel, models estimate the importance of configurations to guide the selection of the most relevant contributions before the most demanding calculations. This work relies on large-scale high-performance computing to produce extensive datasets for training and analysis. Overall, this thesis shows how data-driven methods can complement traditional approaches to improve atomic and nuclear structure calculations.

[FR] 

/!\ En raison des incertitudes de blocage et du système de filtrage mis en place par Sorbonne Université, merci d'informer rapidement si vous pensez venir, en envoyant un mail à dunstan.becht@cea.fr

Accélération des Codes de Structure Atomique et Nucléaire par Intelligence Artificielle

Des données de structure atomiques et nucléaires précises sont de plus en plus nécessaires pour des applications telles que les tests de la physique fondamentale, la modélisation astrophysique, le diagnostic des plasmas et l'identification des états métastables. Ces applications reposent sur des calculs quantiques à N corps de grande envergure.

En physique atomique, les électrons sont traités de manière relativiste, par exemple via la méthode de Dirac-Fock, avec des corrections d'électrodynamique quantique pour une haute précision. En physique nucléaire, les protons et les neutrons interagissent par interaction nucléaire, résidu à longue distance de l'interaction forte. Dans les deux domaines, les fonctions d'onde peuvent être construites comme des combinaisons de configurations générées par les excitations particule-trou à partir d'une référence. Ces méthodes peuvent être très précises, mais elles présentent deux limitations majeures. Le nombre de configurations nécessaires pour capturer les corrélations croît de manière combinatoire avec le nombre de particules, ce qui augmente rapidement les coûts de calcul. De plus, les orbitales sont soit optimisées de manière auto-cohérente avec la fonction d'onde, soit maintenues fixes. Dans le premier cas, le choix initial des orbitales est crucial, car il affecte directement la convergence.

Ce travail explore l'utilisation de l'apprentissage automatique pour atténuer ces limitations. Les réseaux de neurones facilitent la sélection des paramètres de convergence, permettant ainsi des calculs à grande échelle plus systématiques. Parallèlement, des modèles estiment l'importance des configurations afin de guider la sélection des contributions les plus pertinentes avant les calculs les plus exigeants. Ce travail s'appuie sur le calcul haute performance à grande échelle pour générer de vastes ensembles de données destinés à l'entraînement et à l'analyse. Cette thèse montre comment les méthodes basées sur les données peuvent compléter les approches traditionnelles pour améliorer les calculs de structure atomique et nucléaire.

Membres du jury :

- Emily Lamour / Sorbonne Université / Présidente et examinatrice

- Adriana Pálffy-Buß / University of Würzburg / Rapporteuse

- David Rousseau / CNRS IJCLab / Rapporteur

- Trond Saue / Université de Toulouse / Examinateur

- Mikael Frosini / CEA / Examinateur