Les spectroscopies par IBA (Ion Beam Analysis) permettent d'obtenir des cartographies chimiques quantitatives complètes (dont certains isotopes d'éléments légers) d'échantillons, sans avoir généralement recours à des références. Elles peuvent être résolues en profondeur, et lorsque ces techniques sont produites à l'aide d'un microfaisceau, on peut accéder à une imagerie chimique quantitative en 3 dimensions. Les domaines d'application sont variés, avec une prédominance des sciences des matériaux, parfois en mode operando.

Le traitement de ces données repose aujourd'hui sur l'ajustement des spectres produits par la simulation, chaque technique faisant appel à des champs distincts de la physique. Ce traitement est coûteux en temps, et l'on peut faire face à des situations où des données d'entrée des simulations sont manquantes.

Une autre approche s'appuyant sur l'apprentissage automatique à partir de données simulées est envisageable, mais les premières explorations reportées dans la littérature se sont limitées à des situations simples, monotechniques. Aujourd'hui de nouvelles architectures d'apprentissage sont disponibles et permettent d’entrevoir l'amélioration significative des temps de calcul comparés à ceux des outils d'ajustement des spectres expérimentaux, et ce par l'établissement de modèles prédictifs robustes.

La thèse proposée consistera à étudier et déterminer l'architecture d'apprentissage la plus adaptée, en particulier pour la discrimination et la prise en compte des signaux de faibles intensités, et à enrichir à partir de modèles génératifs les dictionnaires de spectres et les bases de données fondamentales nécessaires à la simulation.