面向全面禁止核试验条约组织（OTICE）人工放射性核素探测的多时间尺度能谱分析与机器学习

利用机器学习和光谱解混技术优化放射性测量中的气溶胶采样研究的博士项目。申请者应具备编程技能及良好的团队协作能力。

职位说明： 项目描述： 背景：CEA/DAM是法国任命的专家，隶属于全面禁止核试验条约组织（CTBTO）。作为该角色成员，CEA/DAM定期分析为验证该条约而设立的国际监测系统（IMS）所收集的放射性核素数据。这些数据由各站点持续传输至国家数据中心（CND）。 由于采样与测量条件的高度变异性影响所记录的光谱，检测任何活化或裂变产物均是一项具有挑战性的任务。为了履行其监测职责，CEA DAM 研发了检测与分析方法，以提高灵敏度和响应能力。 论文研究目的：事件检测依赖于对站间传输的频谱进行交互式分析。该分析的复杂性源于测量条件（探测器与背景噪声）的高度变异性，以及被检测到的天然放射性核素数量众多，这使得在微量水平下检测人工放射性核素变得困难。本论文旨在优化气溶胶采样滤器的测量方法，从而提升IMS站对颗粒状放射性核素的检测灵敏度和可靠性。 研究目标在于识别改进领域，并评估开发与实施新分析工具（多时相光谱解混、机器学习）所带来的优势，从而尽可能减少干扰及固有运动的影响。这些新工具将在实际测量与分析条件下得以应用与评估。

所需个人背景与技能要求： 放射性测量、蒙特卡罗模拟、统计方法、数据分析、人工智能。 具备团队协作能力。 要求具备良好的英语（阅读与写作）水平。 需具备编程经验（如 Python 等）。 能够与不同领域的专家进行互动交流。 具体方法与软件包括：伽马能谱分析、信号处理、统计方法、光谱解混、神经网络及机器学习。 要求的法语水平：高级；您能够以更复杂、更自然的方式，就各种主题进行表达。 所需英语水平：高级水平：您能够以更复杂、更自然的方式进行交流，并涉及多种主题。