La caractérisation d'un matériau irradié nécessite une analyse minutieuse de la population de défauts présents en son sein, tels que les bulles, les cavités et les précipités. Cette tâche, réalisée à partir d'images de microscopie électronique en transmission (TEM), est souvent laborieuse, chronophage et sujette à l'erreur humaine. Ainsi, les approches basées sur l'apprentissage profond sont de plus en plus utilisées, offrant une automatisation du comptage et de la caractérisation individuelle des défauts [1]. Cette étude se concentre sur la détection et la caractérisation des boucles de dislocation dans un alliage à haute entropie irradié, un domaine de recherche en pleine expansion, notamment dans le contexte des applications nucléaires [2]. L'irradiation aux ions génère de nombreuses boucles de dislocations, qui se superposent sur les micrographies TEM. Nous présentons ici une méthode de détection basée sur un réseau neuronal de type Mask R-CNN [3], suivie d'une analyse des distributions des populations de boucles de dislocations. Cette analyse est réalisée en comparaison avec des simulations par dynamique d'amas, guidée par un algorithme génétique. Cette approche permet d'accéder à des informations précieuses sur les mécanismes de formation et de mûrissement des boucles de dislocations dans les alliages à haute entropie sous irradiation, ouvrant ainsi de nouvelles perspectives pour la conception et l'optimisation de matériaux résistants aux environnements extrêmes. En outre, l'utilisation de l'apprentissage profond dans la caractérisation des matériaux irradiés présente des avantages significatifs, notamment en termes d'efficacité et de précision. Plus généralement, cette méthodologie pourrait être étendue à d'autres types de défauts et de matériaux, offrant ainsi un outil polyvalent pour la recherche en science des matériaux. [1] Jacobs, R., Comput. Mater. Sci. 211, 111527, (2022). [2] Pickering, Ed J., et al., Entropy 23.1 (2021): 98. [3] He, Kaiming, et al., Proceedings of the IEEE international conference on computer vision. 2017.