CONTEXTE SCIENTIFIQUE
La grande diversité des nanoalliages les rend adaptés à un large éventail d'applications potentielles, notamment en catalyse, plasmonique, détection et stockage de données. Les avantages des nanoalliages sont liés à leur petite taille, qui permet d'obtenir une grande surface disponible pour la catalyse tout en n'utilisant qu'une faible quantité de matériaux souvent coûteux, tels que le RH, le Pd ou l'Au. De plus, le nombre d'atomes situés aux marches des surfaces, qui peuvent représenter des sites réactifs importants, est considérablement accru dans les nanoparticules (NPs). Dans les nanoalliages, la quantité de matériau rare peut être encore réduite en remplaçant le coeur des particules par un autre matériau. En outre, ce second matériau peut être utilisé pour ajuster la structure électronique à la surface de la particule. Encore plus de possibilités émergent avec les particules multi-composants.
L'exploitation complète du potentiel de ces systèmes nécessite la conception de nanoalliages de taille, de morphologie et de composition chimique contrôlées. Au cours des dernières décennies, un grand nombre de méthodes de synthèse physique et chimique ont été développées, permettant aujourd'hui un certain contrôle du produit final. Dans ce contexte, la dépendance au chemin, c'est-à-dire la voie de synthèse, ainsi que l'environnement, notamment le contact avec un substrat, sont cruciaux en raison de la métastabilité inhérente des nanoalliages. La richesse des structures possibles des nanoalliages nécessite des méthodes fiables pour leur caractérisation.
Parmi les méthodes de diffusion des rayons X, la microscopie électronique se distingue comme un outil d'analyse puissant. La microscopie électronique en transmission à haute résolution (HRTEM) permet d'obtenir des images à résolution atomique dans le cas de microscopes corrigés des aberrations. La microscopie électronique en transmission à balayage (STEM), en mode champ sombre annulaire à grand angle (HAADF), est particulièrement utile pour l'imagerie des systèmes alliés grâce au contraste entre types d'atomes. Pour analyser pleinement la répartition des tailles, des formes et des ordres chimiques d'un échantillon donné, de nombreuses images doivent être enregistrées et analysées pour une étude statistique représentative. Sélectionner uniquement une petite partie de l'échantillon pour une analyse plus approfondie peut également introduire une certaine subjectivité dans les résultats finaux.
PROJET
Les récents progrès en microscopie électronique permettent d'observer les nanomatériaux à résolution atomique. Cependant, l'interprétation des images expérimentales n'est pas toujours simple en raison des aberrations des lentilles. Habituellement, des simulations d'images sont utilisées pour comparer avec les images expérimentales et en déduire des détails structuraux. Ce processus est très chronophage pour les spécialistes de la microscopie électronique. Avec ce projet, nous souhaitons rendre l'analyse de grands ensembles d'images de microscopie électronique plus efficace et peut-être même plus objective grâce à des systèmes automatisés basés sur l'apprentissage profond (Deep Learning, DL).
Pour établir une base de données d'apprentissage pour les systèmes de DL envisagés, nous nous appuierons sur des structures de nanoparticules obtenues par simulations atomistiques. Comme nous nous concentrons ici sur les nanoalliages, des potentiels interatomiques adaptés aux métaux de transition sont nécessaires pour les simulations. L'approximation du second moment de la liaison forte (TB-SMA) a été utilisée avec succès dans de nombreuses études sur les nanoalliages bimétalliques. Grâce à ces potentiels interatomiques efficaces, il est relativement simple d'obtenir un nombre suffisant de structures réalistes de nanoalliages en échantillonnant l'ensemble thermodynamique approprié. Le haut degré de contrôle lors des simulations permet d'échantillonner des particules dans des configurations métastables, telles que des structures coeur-coquille partiellement ordonnées ou en configuration Janus, comme observées expérimentalement dans certaines conditions de croissance. Ces structures peuvent ensuite être utilisées pour générer des images de microscopie électronique. Alors que ces types de calculs, basés sur la technique multi-tranches, sont utilisés depuis longtemps pour générer des images en vue de comparaisons avec les expériences, les récentes améliorations logicielles rendent la génération automatique et rapide de nombreuses images réalistes plus pratique.
OBJECTIFS
Avec ce projet, nous souhaitons saisir l'opportunité émergente d'exploiter l'apprentissage profond pour l'analyse d'images à résolution atomique de nano-objets, rendue possible par les récents progrès dans trois domaines :
1. Microscopie électronique (STEM et HRTEM : désormais capable d'atteindre la résolution atomique.
2. Simulations atomistiques de nano-objets : suffisamment réalistes et rapides pour générer des bases de données pour l'entraînement des systèmes de DL.
3. Apprentissage profond : devenu suffisamment efficace et polyvalent pour des applications pratiques, bien qu'il reste un domaine de recherche fondamentalement actif.
Ces systèmes de DL permettront :
- Une amélioration de la qualité des images (réduction du bruit, super-résolution).
- Une analyse automatisée des propriétés des nanoalliages (nombre, taille, forme, cristallinité, stabilité ou métastabilité, etc.).
- Une classification des nanoalliages en fonction de leur ordre chimique.
Contexte de travail
L'ICMN UMR 7374 (Interfaces, Confinement, Matériaux et Nanostructures) est un laboratoire mixte de recherche de l'université d'Orléans et de l'institut de physique du CNRS (INP) et de l'institut de Chimie en secondaire, spécialisé dans les matériaux innovants.
Les activités de l'ICMN (Interfaces, Confinement, Matériaux et Nanostructures) se situent au carrefour de la physique et de la chimie. Elles concernent l'étude des matériaux nanostructurés, des milieux confinés où la grande proportion d'interfaces et la quantité finie de matière sont à l'origine de propriétés remarquables. Les systèmes étudiés ont pour point commun de présenter des hétérogénéités à l'échelle nanométrique et d'être le plus souvent organisés à différentes échelles de taille. Ils présentent à la fois une grande diversité de formes (nanoparticules, milieux poreux, fluides confinés, colloïdes, multimatériaux, milieux auto-organisés) et de compositions (carbone, alliages métalliques, oxydes, argiles, polymères).
Le laboratoire élabore et caractérise ces matériaux, dont nous cherchons à comprendre et contrôler leur architecture (structure, organisation, nanostructuration, porosité) et leur physico-chimie de surface/interface (fonctionnalisation, topographie) de façon à moduler ou optimiser leurs propriétés. La structure hétérogène et complexe des milieux étudiés nécessite le développement d'approches qui ciblent les échelles intermédiaires de la matière, entre le nanomètre et le micromètre, par des outils à la fois expérimentaux de synthèse et de caractérisation souvent in situ voire operando (de laboratoire et Synchrotron) et de modélisation (Monte Carlo, dynamique moléculaire et brownienne, machine learning), permettant le plus souvent possible une investigation résolue spatialement et temporellement dans un environnement réel ou contrôlé.
Le projet s'insère dans "l'Axe Nanostructures".
Contraintes et risques
néant
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.