Doctorant/doctorante en Méthodologie d'apprentissage profond multi-échelle pour la découverte d'alliage

Sujet de thèse :
Dans le cadre du programme et équipements prioritaires de recherche sur le développement de matériaux innovants par l’intelligence artificielle (France 2023, https://www.pepr-diadem.fr/), dont l'objectif est de prédire et de concevoir de nouveaux matériaux et propriétés à l'aide de l'intelligence artificielle, le consortium M2P2_HEA (Multi-scale methodology for predicting the properties of high entropy alloys) travaille au développement d'une approche combinant mesures expérimentales, intelligence artificielle, et modélisation multi-échelle. Cette approche vise à corréler la structure et les propriétés thermodynamiques des alliages à haute entropie (HEA) à leurs propriétés catalytiques, dans le but de prédire une composition et une structure adaptées à une application spécifique.
Le consortium M2P2_HEA regroupe cinq équipes de recherche : IFP Energies Nouvelles, l’Institut de Physique et Chimie des Matériaux de Strasbourg, le Laboratoire d’Electrochimie Moléculaire de l’Université Paris Cité, le Laboratoire de Chimie de la Matière Condensée de Paris et le Synchrotron SOLEIL.
Les alliages à haute entropie (HEA) présentent des caractéristiques prometteuses en raison de leur capacité à modifier la structure électronique et la réactivité de leur surface, tout en permettant de réduire l'utilisation de métaux nobles. L'optimisation de ces alliages requiert une compréhension approfondie de la relation entre leur structure et leurs propriétés. La capacité prédictive revêt ici une importance capitale, étant donné que mener une étude entièrement expérimentale de toutes les structures possibles d'un tel alliage serait non seulement difficile, mais également très onéreuse en termes de temps et de ressources.
Dans ce contexte, l’objectif principal de la thèse de doctorat est de concevoir une plateforme numérique permettant d'identifier de manière efficace les caractéristiques (composition, forme, etc.) nécessaires pour un électrocatalyseur présentant une activité optimale pour des propriétés catalytiques ciblées.
La première phase du doctorat consistera à élaborer un algorithme apte à établir une corrélation entre la configuration atomique et la morphologie des particules HEA et leurs spectres d'absorption X (XAS) et des images de microscopie électronique à transmission (TEM). A cet effet, l'étudiant.e utilisera des techniques de modélisation computationnelle de pointe, telles que la théorie de la fonctionnelle de la densité (DFT) et des approches basées sur des champs de force (dynamique moléculaire classique, méthodes Monte Carlo), qu'il/elle mettra en œuvre en particulier en effectuant des calculs sur des infrastructures de calcul haute performance (HPC).
La seconde phase du doctorat impliquera une stratégie par apprentissage profond avec l'entraînement de deux réseaux neuronaux à partir des données du modèle atomistique en 3D ajusté à partir des données expérimentales des HEAs (spectrosco
Voir plus sur le site emploi.cnrs.fr...