L’intelligence artificielle appliquée à la microscopie électronique en transmission (H/F)

Sujet de thèse :
Depuis plusieurs années, les nanoparticules (NP) se sont imposées comme la base de nouvelles classes de matériaux dont les propriétés opèrent une rupture scientifique et technologique avec leurs parents3D. Parmi toutes les techniques d’analyse de ces objets de taille infiniment petite, la microscopie électronique
en transmission (MET) est l’une des plus adaptées car elle permet des études structurales et chimiques avec une précision inégalée. Toutefois, le MET génère des images présentant un rapport signal/bruit, un contraste et une résolution spatio-temporelle dégradés, qui nuisent à la quantification et à l'interprétation
fiable des données. De plus, l'extraction d'informations structurales à partir de ces images repose sur une acquisition manuelle qui ne permet pas une analyse statistique des données introduisant un biais humain au stade du post-traitement. Récemment, l’avènement d'algorithmes d'intelligence artificielle (IA) type "machine learning" ou "deep learning" a montré des performances exceptionnelles dans les tâches de classification visuelle. Ces nouvelles techniques se sont avérées révolutionnaires dans un certain nombre de domaines et on peut s'attendre à ce qu'elles aient un impact similaire sur la microscopie électronique. Ainsi, depuis quelques années, le LEM a développé une activité de recherche dans ce domaine émergent [1-3].
L’objectif général de cette thèse sera de développer un cadre unique basé sur des algorithmes de « deeplearning» pour la microscopie in situ en milieux gazeux et liquide permettant l'acquisition et l'analyseautomatisée, à haut débit et en temps réel de séquences d'images MET. Notre approche consistera àconstituer un ensemble de données selon deux étapes. La première sera de générer par des simulationsà l’échelle atomique des configurations structurales de NPs qui reposent essentiellement sur unformalisme de type liaisons fortes intégré dans des codes de relaxations structurales de type DynamiqueMoléculaire ou Monte Carlo. La seconde étape consistera à simuler des images de MET à partir desconfigurations issues des calculs atomistiques incluant le bruit instrumental et les imperfections de l'optique
du microscope. Cette base de données numériques sera ensuite intégrée dans de codes d’IA pour analyser les données expérimentales MET de NPs dans le vide, sous gaz ou encore en milieu liquide.
Références :
[1] D. Förster et al, Carbon (2020)
[2] R. Moreau et al., npj Comp. Mat. (2026)
[3] A. Moncomble et al., Ultramicroscopy (2025)
Contexte :
Créé en 1988, le LEM est une unité mixte de recherche CNRS-ONERA d’environ 25 personnes, regroupant des permanents de l'ONERA, du CNRS et de l'Université. Côté CNRS, l'unité est rattachée à l'Institut de Physique (INP), avec un rattachement secondaire à l'Institut de Chimie (INC). Côté ONERA, le LEM est une unité du département Matériaux et Structures (DMAS). Enfin, le LEM est dans le périmètre universi
Voir plus sur le site emploi.cnrs.fr...