Thèse Turbulence Plasma dans des Modèles Gyrocinétiques Locaux et des Modèles Fluides Utilisant le Couplage des Modes Propres et l'Intelligence Artificielle H/F - Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : Laboratoire de Physique des Plasmas Direction de la thèse : Özgür GüRCAN ORCID 0000000222781544 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-31T23:59:59 La compréhension de la turbulence dans les plasmas, et du transport qu'elle engendre, constitue un défi majeur pour réaliser une énergie de fusion magnétisée. Dans notre équipe, l'une des approches pour aborder ce problème repose sur le développement de modèles réduits, qui cherchent à capturer les ingrédients essentiels responsables des phénomènes étudiés. Au fil des années, notre équipe a mis au point un solveur gyrocinétique linéaire local très rapide, ainsi que plusieurs solveurs fluides pseudo-spectraux performants.L'objectif de cette thèse sera de combiner ces deux approches en utilisant une formulation basée sur les modes propres linéaires de la description gyrocinétique, qui reste l'état de l'art en matière de modélisation de la turbulence dans les plasmas de fusion magnétisés. Par exemple, en se concentrant sur la turbulence induite par le gradient de température ionique (ITG), on peut obtenir ses modes propres linéaires à l'aide d'un solveur linéaire local, pour un vecteur d'onde donnée. Ensuite, en ne retenant qu'un nombre fini de modes propres (en commençant par seulement N=2), on peut écrire des équations couplées non linéairement pour ces N modes propres. D'un point de vue numérique, ces équations apparaissent comme N équations fluides non linéaires (puisque chaque mode propre n'est fonction que de nombres d'ondes non de vitesse).

Il est à noter que, pour une instabilité donnée (par exemple l'ITG), il n'y a généralement qu'un seul mode propre instable par nombre d'onde, les autres étant tous amortis. Si l'on trie ces modes propres en fonction de leurs taux de croissance, de sorte que les modes propres d'ordre plus élevé soient plus fortement amortis, l'élimination de ces modes d'ordre supérieur est bien justifiée, car justement ils sont fortement amortis.

L'objectif de cette thèse sera de développer ces modèles en utilisant les outils déjà disponibles dans l'équipe. Par ailleurs, au lieu de calculer les modes propres linéaires, on pourra utiliser des algorithmes d'encodage/décodage basés sur le machine learning, en s'appuyant sur des simulations numériques directes issues de codes gyrocinétiques tels que GENE, GYSELA ou ORB5, qui sont des outils externes utilisés par les chercheurs et les étudiants de l'équipe. Cela permet d'étendre la formulation à des modèles arbitrairement complexes (électromagnétiques, électrons cinétiques, avec des géométries complexes comme celles des stellarateurs) et d'identifier les modes pertinents (dans l'esprit de l'empricial mode decomposition), en utilisant l'intelligence artificielle (IA) dans chaque cas. Ensuite, les équations d'évolution, c'est-à-dire les couplages non linéaires entre ces modes, pourront également être obtenues à l'aide de techniques d'apprentissage automatique et/ou d'IA générative.

Il est important de souligner que l'objectif ici peut être soit de développer des modèles fluides avec des structures de couplage calculées par l'IA, soit de créer des modèles de substitution complets capables de remplacer les évolutions pseudo-spectrales, tout en utilisant la philosophie du couplage de quelques modes dans l'espace des vitesses avec un nombre relativement élevé de modes dans l'espace réel ou de Fourier. De tels modèles pourront ensuite être développés à l'avenir dans une formulation correctement pilotée par les flux, et être utilisés en complément ou à la place des modèles de transport, afin de faire des prédictions pour les réacteurs existants et futurs. Physique des Plasmas, Fusion Development des modèles reduits avec un veritable capacité de prediction pour la fusion. Analytique, Numerique et IA

Connaissance de base du Gyrocinetique et programmation en Python