Informations générales
Entité de rattachement
Le CEA est un acteur majeur de la recherche, au service des citoyens, de l'économie et de l'Etat.
Il apporte des solutions concrètes à leurs besoins dans quatre domaines principaux : transition énergétique, transition numérique, technologies pour la médecine du futur, défense et sécurité sur un socle de recherche fondamentale. Le CEA s'engage depuis plus de 75 ans au service de la souveraineté scientifique, technologique et industrielle de la France et de l'Europe pour un présent et un avenir mieux maîtrisés et plus sûrs.
Implanté au cœur des territoires équipés de très grandes infrastructures de recherche, le CEA dispose d'un large éventail de partenaires académiques et industriels en France, en Europe et à l'international.
Les 20 000 collaboratrices et collaborateurs du CEA partagent trois valeurs fondamentales :
• La conscience des responsabilités
• La coopération
• La curiosité
Référence
SL-DRT-24-0487
Direction
DRT
Description du sujet de thèse
Domaine
Défis technologiques
Sujets de thèse
Calcul de structure électronique avec des modèles d'apprentissage profond
Contrat
Thèse
Description de l'offre
Les simulations ab initio avec la théorie fonctionnelle de la densité (DFT) sont maintenant couramment utilisées dans toutes les disciplines scientifiques pour démêler les caractéristiques électroniques complexes et les propriétés des matériaux au niveau atomique. Au cours de la dernière décennie, l’apprentissage profond a révolutionné de nombreux domaines tels que la vision par ordinateur, le traitement du langage naturel, les diagnostics de soins de santé et les systèmes autonomes. La combinaison de ces deux domaines présente une avenue prometteuse pour améliorer la précision et l’efficacité des prédictions des propriétés des matériaux complexes, comblant l’écart entre la compréhension au niveau quantique et les connaissances axées sur les données pour accélérer la découverte scientifique et l’innovation. De nombreux efforts ont été consacrés à la construction de potentiels interatomiques d’apprentissage profond qui apprennent la surface d’énergie potentielle (PES) à partir de simulations DFT et peuvent être utilisés dans des simulations de dynamique moléculaire à grande échelle (MD). Généraliser de telles approches d’apprentissage profond pour prédire la structure électronique plutôt que seulement l’énergie, les forces et le tenseur de stress d’un système est une idée attrayante car elle ouvrirait de nouvelles frontières dans la recherche sur les matériaux, permettant la simulation de l’électronles propriétés physiques connexes dans les grands systèmes qui sont importants pour les applications microélectroniques. L’objectif de cette thèse est de développer de nouvelles méthodologies s’appuyant sur des réseaux de neurones équivariants pour prédire la DFT hamiltonienne (c.-à-d. la propriété la plus fondamentale) de matériaux complexes (y compris des troubles, des défauts, des interfaces, etc.) ou d’hétérostructures.
Université / école doctorale
Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS)
Université Grenoble Alpes
Localisation du sujet de thèse
Site
Grenoble
Critères candidat
Formation recommandée
M2 physique / mathématiques
Demandeur
Disponibilité du poste
01/10/2024
Personne à contacter par le candidat
SKLENARD Benoît benoit.sklenard@cea.fr
CEA
DRT/DCOS//LSM
MINATEC Campus
F-38054 Grenoble
France
0438786532
Tuteur / Responsable de thèse
TRIOZON François francois.triozon@cea.fr
CEA
DRT/DCOS//LSM
17 avenue des Martyrs, 38054 Grenoble
04 38 78 21 86
En savoir plus