Post-doctorat - Interaction spin-réseau par simulations ab initio et Machine Learning - H / F

CEA; Île-de-France; Sur place; EUR 30 000 - 40 000; Plein temps

Résumé du poste

Un institut de recherche scientifique en Île-de-France recherche un post-doctorant pour améliorer les simulations ab initio et étudier les propriétés thermodynamiques des matériaux magnétiques en utilisant la méthode MLACS. Le candidat doit avoir un doctorat et des connaissances sur les matériaux magnétiques ainsi que sur les méthodes de machine learning.

Qualifications

• Expérience en simulation ab initio.
• Connaissances en matériaux magnétiques.
• Capacité à utiliser des méthodes de machine learning.

Responsabilités

• Accélérer les simulations ab initio.
• Calculer les propriétés thermodynamiques des matériaux magnétiques.

Formation

Doctorat

Description du poste

Description de l'offre

La méthode MLACS (Machine Learning Assisted Canonical Sampling) [1, 2] permet de réduire drastiquement le coût des simulations AIMD (d’environ deux ordres de grandeur), tout en maintenant une précision ab initio de l’ordre de 1 meV / atome [3, 4].

Elle repose sur une approche variationnelle auto-cohérente, combinée à un apprentissage actif, pour affiner itérativement un potentiel MLIP. Contrairement aux approches traditionnelles, MLACS génère à la fois un potentiel adapté au point thermodynamique ciblé, et une distribution représentative de configurations à l’équilibre.

Cependant, les matériaux magnétiques ne sont pas encore pris en charge. En particulier, l’intégration du degré de liberté de spin dans l’ajustement du potentiel MLIP [5, 6], ainsi que l’interaction entre spin et réseau, ne sont actuellement pas disponibles, alors que ces effets sont essentiels pour comprendre la stabilité des phases.

L’objectif de ce projet postdoctoral est donc double :

1. 1- accélérer les simulations ab initio, et
2. 2- permettre le calcul des propriétés thermodynamiques des matériaux magnétiques (comme le fer [7]) au sein du package Mlacs.

[1] A. Castellano, F. Bottin, J. Bouchet, A. Levitt, et G. Stoltz, Phys. Rev. B 106, L161110 (2022). / / [2] A. Castellano, R. Béjaud, P. Richard, O. Nadeau, C. Duval, G. Geneste, G. Antonius, J. Bouchet, A. Levitt, G. Stoltz, et F. Bottin, Machine learning assisted canonical sampling (MLACS) (2024), arXiv : 2412.15370 [cond-mat.mtrl-sci]. / / [3] P. Richard, A. Castellano, R. Béjaud, L. Baguet, J. Bouchet, G. Geneste, et F. Bottin, Phys. Rev. Lett. 131, 206101 (2023). / / [4] F. Bottin, R. Béjaud, B. Amadon, L. Baguet, M. Torrent, A. Castellano, et J. Bouchet, Phys. Rev. B 109, L060304 (2024). / / [5] M. Domina, M. Cobelli, et S. Sanvito, Phys. Rev. B 105, 214439 (2022). / / [6] M. Rinaldi, M. Mrovec, A. Bochkarev, Y. Lysogorskiy, et R. Drautz, npj Comput. Mater. 10, 12 (2024). / / [7] S. Nikolov, et al., Proc. Natl. Acad. Sci. 121, e2408897121 (2024).

Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et / ou des possibilités d'organisation pour l’inclusion des travailleurs handicapés.

Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.

Profil du candidat

Post-doctorat