Synthèse guidée par l’Intelligence Artificielle de nanomatériaux pour l’énergie

Université de Montpellier; Montpellier; Sur place; EUR 40 000 - 60 000; Plein temps

Résumé du poste

Une institution académique à Montpellier propose un stage en optimisation chimique. Le stagiaire sera chargé d'explorer et d'optimiser les conditions de synthèse de composés Cu–Fe–S. Ce rôle implique l'acquisition de données expérimentales, le développement de modèles d'optimisation multi-fidélité et la valorisation des résultats par publication. Un Master 2 en Chimie, Synthèse ou Science des Matériaux est requis.

Qualifications

• Connaissance en chimie et matériaux, optimisation d'expériences.
• Capacité à analyser et organiser des données expérimentales.
• Expérience avec des outils Python open-source pour l'optimisation.

Responsabilités

• Explorer et optimiser les conditions de synthèse de composés Cu–Fe–S.
• Acquérir et organiser des données expérimentales.
• Développer un modèle d’optimisation multi-fidélité.
• Analyser les résultats et publier les travaux si possibles.

Connaissances

Optimisation bayésienne

Analyse des données expérimentales

Modélisation multi-fidélité

Python

Formation

Master 2 en Chimie, Synthèse ou Science des Matériaux

Description du poste

Description

Les matériaux à base de Cu-Fe-S (tels que les chalcopyrites ou les bornites) présentent un fort intérêt pour des applications en thermoélectricité, en catalyse ou dans les technologies de stockage de l’énergie. Toutefois, leur synthèse en solution aqueuse reste un défi en raison de la complexité du diagramme de phases et de la sensibilité aux conditions expérimentales (stœchiométrie, température, pression, pH, durée, solvants, précurseurs…)

Méthodologie

Nous souhaitons intégrer les outils issus de l’intelligence artificielle pour explorer efficacement les paramètres de synthèse en s’appuyant sur une stratégie d'optimisation bayésienne combinée à des modèles multi-fidélité. Cette approche permet de tirer parti à la fois de données expérimentales hétérogènes à basse fidélité et d'expériences à moyennes et hautes fidélités plus complexes et plus lentes à obtenir. Une boucle itérative sera appliquée tout au long de cette étude, elle sera alimentée par les données expérimentales acquises par cycles successifs afin d’affiner le modèle de prédictions. La stratégie d’acquisition sélective permettra de limiter le nombre d’expériences coûteuses tout en identifiant les zones prometteuses de l’espace de paramètres. Cette approche combinée permettra non seulement d’optimiser les conditions de synthèse de façon plus efficace, mais aussi de proposer une méthodologie générique pour d'autres systèmes chimiques complexes à plusieurs variables. Nous nous appuierons sur des codes python open-source pour y parvenir (scikit-optimize, BoTorch…).

Missions du stage

• Explorer et optimiser les conditions de synthèse de composés Cu–Fe–S par chimie en solution (stœchiométrie, température, pH, durée, solvants, précurseurs, etc.).
• Acquérir et organiser des données expérimentales de différents niveaux de fidélité.
• Mettre en place une base de données structurée des expériences réalisées.
• Développer un modèle d’optimisation multi-fidélité pour guider les synthèses.
• Analyser les résultats pour identifier les corrélations entre conditions de synthèse, phases obtenues et performances.
• Valoriser les travaux par une publication scientifique si les résultats le permettent.

Profile

Master 2 ou équivalent en Chimie, Synthèse ou en Science des Matériaux

Starting date

02-01