Bibliographic record
Abstract
Les lasers ultra-intenses représentent un nouveau moyen de produire des champs neutroniques, plus compact que les réacteurs nucléaires ou les accélérateurs et avec moins de contraintes radiologiques que ces sources conventionnelles. Le champ électrique créé par une impulsion laser ultra-intense au sein d'une cible de taille micrométrique peut atteindre plusieurs TV/m, permettant l’accélération de protons de plusieurs dizaines de MeV. Ces protons peuvent ensuite être interceptés par une seconde cible, appelée convertisseur, dans laquelle ils induisent des réactions nucléaires et donc la production de neutrons. Cette technique, dite du pitcher-catcher, est ainsi capable de générer des flux très intenses (> 10^17 n/cm²/s) à des énergies allant jusqu’à quelques dizaines de MeV, permettant alors d’envisager de faire de l’imagerie neutronique ou de reproduire en laboratoire le processus rapide de nucléosynthèse responsable de la création des éléments les plus lourds.Pour prouver la faisabilité de ces applications et afin d’assurer la radioprotection de ces installations lasers, il est donc nécessaire de caractériser ces champs neutroniques. Les détecteurs passifs, ou possédant une électronique ultra-rapide, semblent être des candidats de choix pour s’adapter aux caractéristiques des sources de neutrons produits par laser (émissions très brèves et intenses, environnement bruité, …).Ce travail de thèse s'articule donc autour de la poursuite du développement d’un spectromètre neutron par activation (SPAC), particulièrement adapté pour mesurer des champs neutroniques intenses avec une forte composante gamma. En complément d’un travail de simulation des termes sources attendues et de la réponse des détecteurs via l’utilisation des codes Monte-Carlo Geant4 & MCNP, des dosimètres à bulles, un dispositif Temps de Vol ainsi que des échantillons d’activation ont été utilisés sur diverses installations laser telles que ALLS (Canada) et Apollon (France), afin d’optimiser et de caractériser les émissions neutroniques générées.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".