Computer Vision for Physics. Theory and Experiments

Ces dernières années ont été marquées par un nombre toujours croissant d’applications de techniques basées sur l’apprentissage automatique à différents domaines théoriques et expérimentaux. Les progrès des algorithmes non supervisés ont permis l’exploration de certaines structures invisibles, tandis que les progrès de l’apprentissage profond ont rendu possible l’analyse de systèmes complexes. Un exemple de cette incroyable évolution est l’aptitude des ordinateurs à effectuer des tâches de détection et de segmentation d’objets imitant la vision humaine. Récemment, l’étude du comportement des algorithmes, que l’on trouve typiquement dans le cadre de la vision par ordinateur, a ouvert la possibilité d’applications dans les analyses qualitatives et quantitatives en physique. Dans ce séminaire, nous montrons le lien entre la théorie sous-jacente à certaines techniques supervisées et non supervisées et leur application aux données de la physique expérimentale. Nous préparons d’abord le terrain avec une application de vision par ordinateur de l’apprentissage profond à un problème mathématique afin de mieux illustrer les possibilités de l’intelligence artificielle. Nous passons ensuite à l’analyse de données expérimentales, avec une attention particulière pour la spectroscopie du plasma induit par laser. En détail, nous traitons de l’extraction non supervisée de cartographies élémentaires en présence d’un fort bruit de fond, et de la quantification de la confiance dans l’apprentissage profond en utilisant des réseaux de neurones multitâches pour l’étalonnage supervisé.