STAGE Techniques d'intelligence artificielle pour la modélisation avancée d'accélérateurs

Le but de ce stage est d'explorer la possibilité d'utiliser l'intelligence artificielle (Machine Learning et Deep Learning) pour réduire le temps de calcul dans les simulations d’ouverture dynamique (DA) des futurs accélérateurs circulaires de particules.
La DA à long terme, définie comme la limite entre le mouvement régulier et chaotique des particules, est utilisée pour définir les tolérances sur la qualité du champ et les schémas de corrections non linéaires dans la conception de l'optique de l'accélérateur. Pour définir la DA, une section de Poincaré à partir du transport des particules dans l'accélérateur est requise. Il décrit le comportement tour après tour d'une particule qui passe périodiquement par un point dans les éléments de l'accélérateur. A partir de cette section de Poincaré la DA peut être définie de différentes manières: en tant que limite correspondant à des pertes de particules à 10^n révolutions dans l'accélérateur ou en utilisant le taux de divergence des trajectoires proches dans l'espace des phases pour définir la limite entre mouvement chaotiques et non chaotique. L’élève étudiera la possibilité de prédire la DA pour différentes configurations de la machine et d'extrapoler celle-ci de 10^3 à 10^n (avec n>3) révolutions dans l'accélérateur, utilisant techniques de "Machine Learning" et/ou "Deep Learning".