PhD candidate in Multi-Scale Deep Learning Methodology for High Entropy Alloy Discovery (M/ F)

Informations générales

Intitulé de l'offre : Doctorant/doctorante en Méthodologie d'apprentissage profond multi-échelle pour la découverte d'alliages à haute entropie (H/F)
Référence : UMR7504-HERBUL-001
Nombre de Postes : 1
Lieu de travail : STRASBOURG
Date de publication : mardi 5 novembre 2024
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 2 décembre 2024
Quotité de travail : Temps complet
Rémunération : La rémunération est d'un minimum de 2135,00 € mensuel
Section(s) CN : Matière condensée : organisation et dynamique

Description du 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, /), 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, 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'é 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 (spectroscopie XAS, images TEM). Le premier réseau, d’architecture de type réseaux de neurones convolutifs, sera employé pour caractériser les propriétés catalytiques des HEAs en se basant sur l'analyse d'images TEM et de spectres XAS, sans nécessiter une connaissance précise des mécanismes sous-jacents. Le deuxième réseau sera employé afin d'extraire les caractéristiques structurales, chimiques et morphologiques des HEAs associées à des propriétés catalytiques spécifiques fournies en entrée. Dans cette approche unique, nous utiliserons des données numériques et expérimentales pour construire la base de données permettant d’entraîner les réseaux neuronaux.
 Principales tâches :
• Développer et mettre en œuvre des modèles de réseaux neuronaux profond pour prédire les propriétés des matériaux.
• Combiner les techniques d'IA avec la simulation multi-échelle et la modélisation atomistique.
• Collaborer avec des expérimentateurs experts pour intégrer les données catalytiques et affiner les modèles.
• Contribuer à l'identification de nouveaux matériaux aux propriétés catalytiques améliorées.

Contexte de travail

Des déplacements fréquents en France sont à prévoir durant la thèse, le sujet impliquant l'Institut de Physique et Chimie des Matériaux de Strasbourg (IPCMS), UMR 7504 CNRS et l'IFP Energies nouvelles, site de Solaize à Lyon. Situé sur le campus de Cronenbourg, l'IPCMS est affilié aux Instituts de Physique et Chimie du CNRS ainsi qu'à l'UFR de Physique & Ingénierie, à l'Ecole Européenne de Chimie, Polymères et Matériaux (ECPM), à la Faculté de Chimie et à "Physique Télécom" de l'Université de Strasbourg. L'IPCMS emploie aujourd'hui 240 personnels dont environ 80 chercheurs et 60 ingénieurs et techniciens.
La thèse sera réalisée dans le cadre de l'Ecole Doctorale 182, en cotutelle
• à l’IPCMS dans le département « Surface & Interfaces » (DSI) dans l'équipe "Simulation & Modélisation des (Nano)Matériaux Complexes » sous la direction des Dr. C. Goyhenex (chercheuse CNRS, HDR 2005) et H. Bulou (cherccheur CNRS, HDR 2011),
• à l’IFP Energies Nouvelles, dans la direction Sciences et Technologies du Numérique, sous la direction du Dr. M . Moreaud (chef de projet pour la Direction Scientifique, HDR 2017).



Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Contraintes et risques

Il n'existe pas de contraintes particulières ni de risques spécifiques liés à la réalisation de ce projet de recherche. L'ensemble des équipements et installations de recherche sont situés à l'IPCMS à Strasbourg et à l'IFP Energies nouvelles, site de Solaize à Lyon.

Informations complémentaires

Compétences à acquérir :
• Solides connaissances en apprentissage automatique et en apprentissage profond.
• Expérience dans les réseaux neuronaux, avec un accent sur la modélisation prédictive.
• De préférence, expérience en traitement d'images et en science des matériaux.
• Excellentes compétences analytiques et capacité à travailler dans un environnement de recherche collaboratif.
Ce poste offre l'opportunité de faire partie d'un projet pionnier à l'intersection de l'IA et de la science des matériaux.

Lors de votre demande, veuillez inclure les pièces justificatives suivantes :
• Votre curriculum vitae devra contenir vos qualifications les plus récentes, un résumé de vos parcours et formation jusqu'à présent, les coordonnées de deux référents académiques, ainsi qu'une liste de publications le cas échéant.
• Une lettre de motivation personnelle, d'une longueur maximale de 2 pages, devrait exposer votre motivation à entreprendre des études doctorales dans le domaine de recherche associé au sujet proposé, en mettant l'accent sur le projet spécifique mentionné, ainsi que sur votre pertinence pour la réalisation de celui-ci.


Pour toute demande de renseignements informels ou de compléments d'information, veuillez contacter les Dr. Christine Goyhenex Dr. Hervé Bulou et Dr. Maxime Moreaud obtenir des informations plus détaillées concernant les équipes de recherche impliquées, veuillez consulter
• /departement/departements-v3/surfaces-et-interfaces-dsi/
• /page/maxime-moreaud