Science des données collaborative : Reconstruction bayésienne des profils de température ionique et d’amplitude en diagnostics de fusion par confinement inertiel
Date : Vendredi 8 mai 2026
Heure : 13 h 00 – 14 h 00 heure de l’Est
Lieu : Sur Zoom
Joignez-vous à nous
Joignez-vous à nous pour « Reconstruction bayésienne des profils de température ionique et d’amplitude en diagnostics de fusion par confinement inertiel » lors du webinaire de mai sur la science des données collaborative NISS–INCASS.
Résumé de la présentation
Les expériences de fusion par confinement inertiel (FCI) reposent sur des mesures précises de la température ionique et des émissions afin de diagnostiquer les conditions du plasma et d’améliorer les performances. Toutefois, en raison de défis techniques et d’un signal limité, les diagnostics actuels de la température ionique manquent de résolution spatiale et intègrent les mesures sur l’ensemble de la source de neutrons. Les intervenants présentent un cadre bayésien qui utilise des processus gaussiens pour modéliser des profils spatialement variables de température ionique et d’amplitude d’émission à partir de données d’imagerie. L’approche combine un modèle physique direct avec une inférence par chaînes de Markov Monte Carlo afin de reconstruire ces profils à partir de jeux de données synthétiques générés dans des conditions réalistes, tout en fournissant une quantification de l’incertitude au moyen d’intervalles de crédibilité a posteriori. Les résultats montrent que le modèle fondé sur les processus gaussiens permet de retrouver la structure spatiale de la température et de l’amplitude avec une incertitude quantifiée, offrant ainsi une nouvelle capacité pour les expériences de FCI.
Le webinaire réunira Ky D. Potter (doctorant·e en statistique à l’Université Simon Fraser) et Chris Danly (boursier postdoctoral du directeur au Laboratoire national de Los Alamos). La séance sera animée par Emily Casleton (Laboratoire national de Los Alamos et présidente du comité de planification des webinaires sur la science des données collaborative NISS–INCASS).
À propos des conférenciers
Ky D. Potter est doctorant·e en statistique à l’Université Simon Fraser et stagiaire diplômé·e au sein du groupe des sciences statistiques (CAI-4) du Laboratoire national de Los Alamos. Ses travaux se situent à l’intersection de la statistique bayésienne et de la physique, avec des applications en fusion par confinement inertiel, en physique spatiale et ionosphérique, ainsi qu’en astrostatistique. Ky s’intéresse particulièrement aux modèles de processus gaussiens extensibles, à la quantification de l’incertitude et à l’émulation statistique pour des données complexes et bruitées. Ky apprécie la recherche collaborative et interdisciplinaire à l’interface de la statistique et des sciences physiques.
Chris Danly est boursier postdoctoral du directeur au Laboratoire national de Los Alamos. Il a obtenu son doctorat en physique des plasmas à l’Université de Rochester et détient des maîtrises en physique et en génie nucléaire. Depuis 2010, Chris est membre de l’équipe d’imagerie nucléaire du LANL, où il dirige le développement de nouvelles techniques d’imagerie pour le diagnostic des expériences de fusion par confinement inertiel et de physique des hautes densités d’énergie. Il a récemment rejoint la division Analyse du laboratoire, où ses recherches portent sur les applications de l’ignition par fusion ainsi que sur les implications pour la sécurité mondiale de l’essor de la recherche et développement privée en fusion.À propos de l’animatrice
Emily Casleton est présidente du comité d’organisation des webinaires en science des données collaborative NISS-INCASS. Elle est statisticienne au sein du groupe des sciences statistiques du Los Alamos National Laboratory (LANL). Elle a été recrutée au LANL comme étudiante d’été lors de la Conférence sur l’analyse des données (CoDA) en 2012. Elle a rejoint le laboratoire comme stagiaire postdoctorale en 2014 après avoir obtenu son doctorat en statistique à l’Iowa State University. Depuis son entrée en poste permanent en 2015, Emily collabore régulièrement avec des sismologues, des ingénieurs nucléaires, des physiciens, des géologues, des chimistes et des informaticiens sur une grande variété de projets novateurs axés sur les données. Plus récemment, ses recherches portent sur la mise à l’essai et l’évaluation de grands modèles d’IA. Elle est titulaire d’un baccalauréat en mathématiques et en science politique du Washington & Jefferson College (2003), d’une maîtrise en statistique de la West Virginia University (2006) et d’un doctorat en statistique de l’Iowa State University.
À propos de la série de webinaires NISS-INCASS sur la science des données collaborative
À une époque où les données transcendent les frontières traditionnelles, il n’a jamais été aussi crucial de favoriser la collaboration interdisciplinaire. En partenariat avec le National Institute of Statistical Sciences (NISS), nous sommes fiers de présenter la série de séminaires NISS-INCASS sur la science des données collaborative, consacrée à la mise en lumière du travail des data scientists et des experts de différents domaines scientifiques qui collaborent pour faire progresser la science. Cette initiative célèbre le pouvoir de la collaboration, en démontrant comment l’intégration de la science des données avec diverses disciplines peut stimuler l’innovation, résoudre des problèmes complexes et repousser les frontières de la connaissance au-delà du domaine des statistiques.
Chaque session sera animée par deux intervenants : un data scientist et un expert d’un autre domaine ayant collaboré avec succès pour obtenir des résultats percutants. Grâce à leurs expériences et à leurs connaissances partagées, les participants acquerront une compréhension approfondie des processus collaboratifs qui comblent les écarts entre différents horizons scientifiques. Ces séminaires mettront non seulement en lumière des partenariats réussis, mais offriront également une plateforme d’échange d’idées, de méthodologies et de bonnes pratiques, inspirant de nouvelles collaborations.