Description

Les champs de force classiques (MM, champs de force traditionnels) permettent généralement de décrire de façon satisfaisante les interactions interatomiques. Toutefois, leur capacité à représenter des systèmes complexes, soit fortement polarisables soit avec des charges sur les ions élevés demeure limitée, comme par exemple les actinides en solution, mais également de plusieurs processus d’intérêt atmosphérique où la description fine des interactions électrostatiques et de la réponse électronique locale est essentielle. Dans nos travaux antérieurs, nous avons développé un champ de force classique avancé intégrant un grand nombre de termes physiques, y compris des contributions à n-corps, et reposant sur des calculs ab initio. Malgré sa précision, la paramétrisation d’un tel modèle devient rapidement irréalisable dès que l’on souhaite inclure des environnements plus diversifiés, combinant différents ligands ou contre-ions par exemple.

L’objectif de cette thèse est de concevoir et tester une méthodologie de construction de champ de force de nouvelle génération fondé sur des approches de Machine Learning (ML). Ce modèle sera entraîné à reproduire fidèlement les surfaces d’énergie issues de calculs ab initio et devra permettre la modélisation précise de la dynamique moléculaire des systèmes sélectionnés dans leurs environnements. Un tel champ de force ML offrira une flexibilité accrue par rapport aux approches paramétrées classiques, permettant d’intégrer naturellement des interactions complexes et non linéaires, tout en conservant une précision proche des méthodes ab initio et en réduisant considérablement les coûts de calcul.

L’ensemble de ces développements permettra au doctorant d’acquérir non seulement des compétences scientifiques solides, mais également une expertise en programmation, en intelligence artificielle et en traitement de données.

Compétences requises

Le ou la candidat(e) devra être titulaire d’un Master (ou diplôme équivalent) en physique, chimie, sciences des matériaux ou disciplines connexes, avec une solide formation en modélisation théorique et en méthodes de simulation numérique. Des connaissances en dynamique moléculaire, en calcul ab initio et/ou en chimie ou physique quantique sont fortement souhaitées. Un intérêt marqué pour le développement méthodologique et pour les approches de Machine Learning appliquées à la modélisation atomistique est attendu. Des compétences en programmation scientifique (Python, C/C++ ou langages équivalents), en calcul haute performance et en analyse de données constitueront un atout important. Au-delà des compétences techniques, le ou la candidat(e) devra faire preuve de curiosité scientifique, d’autonomie progressive et de rigueur, tout en étant capable de s’inscrire dans un cadre d’encadrement structuré et de tirer parti d’échanges réguliers avec les membres de l’équipe. De bonnes capacités de communication, tant à l’écrit qu’à l’oral, seront nécessaires pour interagir dans un environnement pluridisciplinaire à l’interface de la physique, de la chimie et de l’intelligence artificielle, ainsi que pour valoriser les résultats de recherche. Une aptitude au travail collaboratif, à l’adaptation à des thématiques transverses et à la conduite de projets de recherche de long terme sera particulièrement appréciée.

Bibliographie

Maxime Infuso, Samuel Del Fré, Gilberto A Alou, Mathieu Bertin, Jean-Hugues Fillion, Alejandro Rivero Santamaría, Maurice Monnerville : ' Deep Potential-Driven Molecular Dynamics of CO Ice Analogues : Investigating Desorption Following Vibrational Excitation '
The Journal of Chemical Physics, 2025, 163, pp.084303. ⟨10.1063/5.0285103⟩

Eléonor Acher, Michel Masella, Valérie Vallet, Florent Réal
'Properties of the tetravalent actinide series in aqueous phase from a microscopic simulation automated engine'
Physical Chemistry Chemical Physics, 2020, 22, pp.2343-2350. ⟨10.1039/C9CP04912F⟩

Mots clés

Dynamique moléculaire , machine learning, simulation, actinides, champs de force