Les pérovskites halogénées au plomb, notamment le CsPbBr3, émergent comme matériaux prometteurs pour la détection X pour les applications médicales. Cette technologie nécessite leur dépôt en couches épaisses (>100 µm) et la sublimation en espace proche (CSS), initialement développée par le CEA-Liten, a montré des résultats très intéressant. Néanmoins, ce procédé reste mal maitrisé à l’échelle microscopique et les liens entre microstructure et performances reste un verrou scientifique et industriel majeur.
Cette thèse, en partenariat avec le laboratoire SIMAP, vise à développer un modèle thermodynamique complet du procédé CSS. Le candidat devra (i) générer expérimentalement les données thermodynamiques indispensables aux modèles, (ii) modéliser les mécanismes de croissance ainsi que (iii) les valider expérimentalement, en s’appuyant sur des fours de croissance instrumentés dédiés et des caractérisations avancées. Des outils de Machine learning seront mis en place pour établir des corrélations prédictives entre paramètres de dépôt et propriétés des couches.
Les résultats permettront d’optimiser la croissance du CsPbBr3 pour des détecteurs X plus sensibles et stables, avec un fort impact en imagerie médicale et offrira des perspectives de publications et brevets dans un domaine très compétitif.