Thèse : conception inverse de protocoles de synthèse basée sur l'apprentissage automatique h/f

Vous serez chargé.e i) du développement de modèles d'apprentissage automatique de pointe corrélant les protocoles de synthèse des matériaux avec les propriétés des matériaux, et ii) de l'utilisation de ces modèles dans un optimiseur bayésien multi-objectif innovant capable de prédire les protocoles de synthèse à adopter pour atteindre l'objectif de propriétés des matériaux. Les données utilisées seront à la fois synthétiques (générées par des modèles physiques développés par le candidat) et expérimentales (générées par les partenaires).
Vous travaillerez avec des méthodologies avancées d'intelligence artificielle (IA)/apprentissage machine, en utilisant le langage de programmation Python et les bibliothèques classiques d'IA. Le candidat effectuera également des simulations informatiques (numériques) en résolvant des modèles numériques décrivant les procédures de synthèse. Ces modèles peuvent être basés par exemple sur des modèles cinétiques élémentaires et des réseaux de réaction.

Salaire brut mensuel : 3 048€
Contexte de travail
Vous aurez l'occasion de travailler au sein d'une équipe internationale et interdisciplinaire de 17 doctorants, basés dans des universités et des entreprises industrielles dans toute l'Europe. Vous serez soutenu(e) par deux encadrants au sein du projet PREDICTOR et aurez de multiples occasions de participer à des formations de développement professionnel et personnel. Votre travail vous permettra d'acquérir des compétences uniques à l'interface entre la modélisation et la simulation, l'expérimentation et la caractérisation à haut débit, l'auto-optimisation et la gestion des données à différentes échelles de longueur, du niveau nanométrique au niveau macroscopique.
Il est attendu de vous que vous souteniez votre thèse à la fin du projet et que vous diffusiez les résultats par le biais de brevets (le cas échéant), de publications dans des revues internationales et de présentations lors de conférences internationales.
Au LRCS et dans l'équipe du professeur Franco, vous trouverez un environnement scientifique d'excellence, avec des équipements et des moyens de calcul de pointe, dans une atmosphère hautement internationale et accueillante. Deux fois par an, le laboratoire organise des Journées scientifiques, un événement où tous les étudiants et le personnel du laboratoire présentent leurs activités de recherche, suivies de temps d’échange et de partage.

Compétences/expérience
- Vous devez avoir une solide expérience dans les méthodes d'intelligence artificielle (IA), y compris l'apprentissage automatique, et des méthodes de science des données dans leur ensemble. Une expérience du langage de programmation Python et des bibliothèques classiques d'IA est nécessaire.
- Vous devez également avoir des connaissances en modélisation informatique (par exemple, modélisation cinétique élémentaire, Monte Carlo cinétique) et des connaissances en science des matériaux et/ou en physico-chimie des matériaux. Des connaissances et/ou une expérience dans le domaine des batteries ou des batteries à flux redox, ainsi que dans la synthèse de matériaux pour ces technologies, seront également appréciées. Vous devez être ouvert d'esprit, très motivé, dynamique et posséder un excellent niveau d'anglais, tant à l'oral qu'à l'écrit.
Critère d’éligibilité
- Conformément aux règles de financement de l'Union européenne pour les réseaux doctoraux, vous ne devez pas encore être titulaire d'un doctorat.
- Vous ne devez pas avoir résidé ou exercé votre activité principale (travail, études, etc.) en France pendant plus de 12 mois au cours des 3 dernières années.
Mobilité
Vous vous rendrez dans le laboratoire du professeur Alexei Lapkin à l'université de Cambridge (Royaume-Uni) pour recueillir les données issues de la synthèse des matériaux.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.