Soutenance de thèse de BAZELAIRE Guillaume
Titre de thèse
Machine learning appliqué à FIFRELIN
Machine learning applied to FIFRELIN
Résumé de la thèse
En 1938, deux chimistes allemands, Hahn et Strasmann, découvrent la fission nucléaire. Près de 90 ans plus tard, ce processus extrêmement complexe est toujours
un domaine de recherche et d'actualité. La science qui lui est dédiée, la physique nucléaire, fait intervenir une multitude de physiques différentes, qui associées entre elles
permettent l'application industrielle de la fission nucléaire. Les données nucléaires
évaluées font partie de l'une d'entre elles, et se composent de données, entre autres,
décrivant le processus de fission. C'est dans le cadre de l'évaluation de celles-ci que le
code stochastique FIFRELIN a été développé au Laboratoire d'Études Physiques
au CEA Cadarache. FIFRELIN est un code, utilisant un processus de type Hauser-Fesbach
et basé sur la notion de réalisation nucléaire, qui permet la simulation du processus de
désexcitation des fragments par l'émission de particules promptes (neutrons, photons
γ et électrons de conversion). Pour certaines caractéristiques physiques estimées
par le code, des données expérimentales sont disponibles. On considère alors qu'un
calcul FIFRELIN est valide s'il reproduit correctement ces observables, dites cibles.
Pour cela, l'utilisateur a le soin d'ajuster les paramètres libres du code intervenant
dans les modèles phénoménologiques utilisés par FIFRELIN. La principale limitation
est que le temps de calcul peut monter jusqu'à trente minutes pour atteindre l'ordre
de grandeur souhaité pour les incertitudes. Il n'est alors pas réaliste de se baser sur
une recherche par grille exhaustive pour déterminer les paramètres libres permettant de reproduire les données expérimentales et ainsi recalibrer le code. C'est dans
ce but que l'on propose la mise en place d'algorithmes d'optimisation bayésienne,
supportée par l'utilisation de Processus Gaussiens de régression. Chaque observable
physique cible est modélisée par un Processus Gaussien de régression indépendant,
avec pour objectif de minimiser la distance entre la sortie vectorielle de FIFRELIN et
la donnée expérimentale. Cet usage nous permet alors de trouver plusieurs ensembles
de paramètres libres qui reproduisent correctement les données expérimentales, le
tout en quelques heures seulement. Fort de ce succès, on peut alors complexifier le
modèle initial avec plusieurs dizaines de paramètres libres et autant d'observables
à reproduire. Nécessairement, la reproduction des observables cibles introduira des
contraintes sur les modèles phénoménologiques utilisés par FIFRELIN, ce qui est in
fine l'objectif recherché. On proposera une interprétation physique des résultats issus
des différentes optimisations bayésiennes. Par ailleurs, l'usage de Processus Gaussien
de régression permet de mettre en œuvre une propagation d'incertitudes, procédure
alors non prise en compte dans FIFRELIN.
Thesis resume
In 1938, two German chemists, Hahn and Strassmann, discovered nuclear fission.
Nearly 90 years later, this extremely complex process remains a research subject. The
science devoted to it, nuclear physics, involves a wide range of different branches of
physics which, when combined, enable the industrial application of nuclear fission.
Nuclear data are part of this field, and include, among other things, information describing the fission process. Within the framework of nuclear data evaluation, the
stochastic code FIFRELIN was developed at Laboratoire d'Études de Physiques at
CEA Cadarache. FIFRELIN is a code based on the Hauser-Fesbach formalism and the
concept of nuclear realization, which simulates the de-excitation process of fragments
through the emission of prompt particules (neutrons, γ photons and conversion electrons). For some of the physical quantities estimated by the code, experimentale
data are available. A FIFRELIN calculation is then considered valid if it correctly reproduces these so-called target observables. To achieve this, the user must adjust
the free paramters of the code involved in the phenomenological models used by
FIFRELIN. The main limitation is that the computation time can reach up to thirty
minutes to obtain the desired order for uncertainties. Therefore, it is unrealistic to
use a direct exploration of the input space, in order to find a solution that align with
the experimental data. To address this, we propose the implementation of Bayesian
optimization algorithms, supported by the use of Gaussian Process regression. Each
physical target observable is modeled by an independent Gaussian Process regression,
with the goal of minimizing the distance between the FIFRELIN outputs and the experimental data. This approach allows us to identify several sets of free parameters
that successfully reproduce the experimental data, all within less than a few hours
of computation time. Building on this success, the initial model can then be made
more complex, with several dozen free parameters and as many observables to reproduce. Inevitably, reproducing the target observables imposes constraints on the
phenomenological models implemented in FIFRELIN, which is ultimately the desired
outcome. A physical interpretation of the results obtained from the different Bayesian
optimizations will be proposed. In addition, the use of Gaussian Process regression
enables the implementation of uncertainty propagation, a procedure not accounted
for in FIFRELIN.