Contexte
Les progrès réalisés ces dernières années en termes de métrologie optique de haute précision ont considérablement augmenté la criticité de la présence de lumière parasite dans les bancs instrumentaux. On peut, par exemple, citer la détection récente des ondes gravitationnelles par les interféromètres géants LIGO et Virgo (Prix nobel 2017) qui nécessite un contrôle de la quantité de lumière diffusée par les dizaines de composants optiques utilisés avec une sensibilité de l’ordre du ppm. C’est dans ce contexte que l’équipe CONCEPT de l’Institut Fresnel, experte des phénomènes de diffusion lumineuse pour les composants optiques de pointe travaille au développement de diffusomètres innovants en termes de capacité de mesures et extrêmes en termes de détectivité dans le cadre de différents partenariats.
C’est ainsi qu’est né l’instrument SPARSE (SPAtially Resolved Scatterometry Equipment), diffusomètre spatialement résolu. L’instrument permet d’enregistrer, en une seule mesure, 400 000 indicatrices de diffusion et donne ainsi accès à une cartographie 3D des réponses angulaires d’autant de micro-surfaces. L’étude de chaque courbe angulaire permet de discriminer l’origine de la lumière diffusée entre rugosité et défauts ou contaminations. L’objet du présent stage est dans un premier temps d’automatiser cette discrimination, puis d’extraire du cube de données une classification des défauts en présence.
Ce travail s’inscrit dans le cadre des travaux de l’équipe CONCEPT avec la collaboration Virgo, le consortium LISA pour la détection des ondes gravitationnelles, du CNES pour les optiques pour le spatial et du CEA pour les optiques conçus pour les lasers de puissance. Les résultats obtenus pendant le stage seront donc communiqués à l’ensemble de ces acteurs.
Objectifs
A titre d’illustration, sur un seul échantillon, il est possible de récupérer environ 400 000 points de données de plus de 60 valeurs. Par ailleurs, sur chaque échantillon il y a des centaines de défauts, la quantité de données à traiter est donc conséquente, ce qui sera un atout pour les algorithmes d'intelligence artificielle.
A partir des données mesurées par l'instrument, il faudra d'abord définir une méthode pour détecter, isoler les défauts et contaminants (traitement du signal). Ensuite, en comparant les niveaux de diffusion de défauts mesurée à des défauts théoriques, on pourra chercher des clusters de données. Ces clusters pourront servir à déterminer des labels qui pourront ensuite permettre une classification systématique des défauts et alimenter une base de données.
Cette nouvelle base de données devra permettre de mieux comprendre l'impact des défauts et des contaminants sur les lumières parasites pour les instruments de haute performance.
Profil recherché
Étudiant∙e en informatique ou école d'ingénieur, ayant déjà une expérience avec des algorithmes d’intelligence artificielle.
Language : Python et/ou matlabInformation pratique et contact
- Lieu: Laboratoire Institut Fresnel, avenue Escadrille Normandie-Niémen - 13397 MARSEILLE
- Gratification : selon les grilles du CNRS
- Encadrement: Adrien Bolliand (Doctorant) et Myriam Zerrad (HDR)
- Contact: adrien.bolliand@fresnel.fr et myriam.zerrad@fresnel.fr
