BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Dunstan Becht "Accélération des Codes de Structure Atomique et N
 ucléaire par Intelligence Artificielle"
DTSTART:20261106T083000Z
DTEND:20261106T120000Z
DTSTAMP:20261107T221500Z
UID:indico-event-14986@indico.ijclab.in2p3.fr
DESCRIPTION:\n/!\\ Due to the uncertainties of blocking and the filtering 
 system put in place by Sorbonne University\, please inform us quickly if y
 ou plan to come\, by sending an email to dunstan.becht@cea.fr\n\n\nAcceler
 ation of Atomic and Nuclear Structure Codes by Artificial Intelligence\n\n
 Accurate atomic and nuclear data are increasingly needed for applications 
 such as tests of fundamental physics\, astrophysical modeling\, plasma dia
 gnostics\, and the identification of metastable states. These applications
  rely on extensive quantum many-body calculations.\nIn atomic physics\, el
 ectrons are treated relativistically\, for instance\, via the Dirac-Fock m
 ethod\, with quantum electrodynamics corrections for high precision. In nu
 clear 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 partic
 le-hole excitations from a reference. These methods can be highly accurate
  but face two key limitations. The number of configurations needed to capt
 ure correlations grows combinatorially with the number of particles\, rapi
 dly increasing computational costs. Moreover\, orbitals are either optimiz
 ed self-consistently with the wavefunction or kept fixed. In the former ca
 se\, the initial orbital choice is critical\, as it directly affects conve
 rgence.\nThis work explores machine learning to mitigate these limitations
 . Neural networks assist in selecting convergence parameters\, enabling mo
 re systematic large-scale calculations. In parallel\, models estimate the 
 importance of configurations to guide the selection of the most relevant c
 ontributions before the most demanding calculations. This work relies on l
 arge-scale high-performance computing to produce extensive datasets for tr
 aining and analysis. Overall\, this thesis shows how data-driven methods c
 an complement traditional approaches to improve atomic and nuclear structu
 re calculations.\n[FR] \n\n/!\\ En raison des incertitudes de blocage et 
 du système de filtrage mis en place par Sorbonne Université\, merci d'in
 former rapidement si vous pensez venir\, en envoyant un mail à dunstan.be
 cht@cea.fr\n\n\nAccélération des Codes de Structure Atomique et Nucléai
 re par Intelligence Artificielle\n\nDes données de structure atomiques et
  nucléaires précises sont de plus en plus nécessaires pour des applicat
 ions telles que les tests de la physique fondamentale\, la modélisation a
 strophysique\, le diagnostic des plasmas et l'identification des états m
 étastables. Ces applications reposent sur des calculs quantiques à N cor
 ps de grande envergure.\nEn physique atomique\, les électrons sont trait
 és de manière relativiste\, par exemple via la méthode de Dirac-Fock\, 
 avec des corrections d'électrodynamique quantique pour une haute précisi
 on. En physique nucléaire\, les protons et les neutrons interagissent par
  interaction nucléaire\, résidu à longue distance de l'interaction fort
 e. 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 tr
 ès précises\, mais elles présentent deux limitations majeures. Le nombr
 e de configurations nécessaires pour capturer les corrélations croît de
  manière combinatoire avec le nombre de particules\, ce qui augmente rapi
 dement les coûts de calcul. De plus\, les orbitales sont soit optimisées
  de manière auto-cohérente avec la fonction d'onde\, soit maintenues fix
 es. Dans le premier cas\, le choix initial des orbitales est crucial\, car
  il affecte directement la convergence.\nCe travail explore l'utilisation 
 de l'apprentissage automatique pour atténuer ces limitations. Les réseau
 x de neurones facilitent la sélection des paramètres de convergence\, pe
 rmettant ainsi des calculs à grande échelle plus systématiques. Parall
 èlement\, des modèles estiment l'importance des configurations afin de g
 uider la sélection des contributions les plus pertinentes avant les calcu
 ls les plus exigeants. Ce travail s'appuie sur le calcul haute performance
  à grande échelle pour générer de vastes ensembles de données destin
 és à l'entraînement et à l'analyse. Cette thèse montre comment les m
 éthodes basées sur les données peuvent compléter les approches traditi
 onnelles pour améliorer les calculs de structure atomique et nucléaire.\
 nMembres du jury :\n- Emily Lamour / Sorbonne Université / Présidente et
  examinatrice\n- Adriana Pálffy-Buß / University of Würzburg / Rapporte
 use\n- David Rousseau / CNRS IJCLab / Rapporteur\n- Trond Saue / Universit
 é de Toulouse / Examinateur\n- Mikael Frosini / CEA / Examinateur\n \n\n
 https://indico.ijclab.in2p3.fr/event/14986/
LOCATION:Barre 22-23 / Salle 401 (Sorbonne Université)
URL:https://indico.ijclab.in2p3.fr/event/14986/
END:VEVENT
END:VCALENDAR