nanoNET

L’Anthropocène est marqué par la dispersion croissante de nanoparticules (NPs) dans l’environnement, qu’elles soient naturelles ou issues des activités humaines. En raison de leur petite taille et de leur grande réactivité, ces NPs jouent un rôle clé dans le transport des éléments traces et leurs transformations biogéochimiques, nécessitant des outils analytiques avancés pour les étudier. La spectrométrie de masse en temps de vol à source plasma en mode particule unique (spICP-TOFMS) s’est récemment imposée comme une méthode de référence, offrant une caractérisation multi-élémentaire en temps réel des NPs individuelles. Ce projet propose d’intégrer des approches d’intelligence artificielle, notamment des modèles sequence-to-sequence (Seq2Seq), pour exploiter efficacement ces données massives et améliorer la détection et l’identification des NPs dans les séries temporelles spICP-TOFMS. L’objectif est de développer un pipeline analytique optimisé permettant de : i/ détecter avec précision les pics de NPs malgré la variabilité du signal, ii/ identifier automatiquement les familles de NPs à partir de leur composition élémentaire et iii/ standardiser ces méthodes pour une application élargie en nanogéochimie environnementale générant de grands volumes de données. Pour y parvenir, nous comparerons plusieurs modèles Seq2Seq et exploiterons des algorithmes avancés de classification et de clustering (DBScan, Spectral clustering), en utilisant tout d’abord des séries temporelles simulées pour développer la méthodologie, que nous validerons ensuite à l’aide des données spICP-TOFMS issues du projet nanoSTREAM (CNRS EC2CO).