Apprentissage automatique frugal et théorie de la fonctionnelle de la densité pour la conception de mat

Sujet de thèse :
La conversion catalytique du dioxyde de carbone en méthanol est largement reconnue comme une voie essentielle pour la valorisation du carbone et la réduction des gaz à effet de serre.
Associée à de l'hydrogène renouvelable, cette réaction offre une piste prometteuse vers la production durable de carburants et la décarbonisation à long terme de l'industrie chimique. Ces dernières années, les catalyseurs basés sur des interfaces oxyde-métal et oxyde-intermétallique se sont révélés être des systèmes particulièrement prometteurs, car ces interfaces peuvent fortement influencer l'activation du CO₂ et la sélectivité du méthanol. Cependant, la structure à l'échelle atomique de ces interfaces et les mécanismes régissant leur activité catalytique restent mal compris. Leur hétérogénéité structurelle et leur complexité chimique rendent la modélisation atomistique précise particulièrement difficile.
Les avancées récentes en matière d’approches d’apprentissage automatique fournissent un cadre puissant pour modéliser des matériaux catalytiques complexes avec une précision proche de celle des calculs ab initio, tout en permettant des simulations à des échelles spatiales et temporelles
nettement plus grandes que les méthodes conventionnelles de structure électronique. Cependant, ces développements nécessitent généralement de très grands ensembles de données d’apprentissage générés à partir de calculs coûteux en ressources informatiques, ce qui représente un goulot d’étranglement majeur pour l’étude des interfaces catalytiques complexes.

L'objectif de cette thèse est de développer des stratégies d'apprentissage automatique économes en données pour l'hydrogénation du CO₂ en méthanol, catalysée par des interfaces oxyde-métal. Les idées clés incluent la prise en compte de l'apprentissage par transfert, des potentiels d'interaction issus de l'apprentissage automatique, ainsi que des connaissances existantes issues d'études expérimentales.
Techniques/méthodes utilisées : théorie de la fonctionnelle de la densité, apprentissage automatique.

Compétences requises : solide formation en chimie, chimie physique, science des matériaux ou physique de la matière condensée. Une expérience en science des données, en programmation Python, en calcul haute performance et/ou en chimie quantique sera considérée comme un atout. D'excellentes compétences en communication sont essentielles, avec la capacité de travailler et d'échanger des idées efficacement, tant à l'oral qu'à l'écrit. La maîtrise de l'anglais est requise. La candidature doit inclure une lettre de motivation, un CV et le relevé de notes du master.

Contexte :
L’Institut Jean Lamour (IJL) est une unité mixte de recherche du CNRS et de l’Université de Lorraine. Spécialisé en science et ingénierie des matériaux et des procédés, il couvre les champs suivants : matériaux, métallurgie, plasmas, surfaces, nanomatériaux, électronique.

En 2026, l'IJL co
Voir plus sur le site emploi.cnrs.fr...