Thèse en science des matériaux et IA (H/F)

Description du Poste

Sujet De Thèse

Développement d'algorithmes d'intelligence artificielle pour l'analyse haut-débit de données de diffraction des rayons X

L'architecture des processeurs actuels est limitée par le goulot d'étranglement de Von Neumann, où la séparation de la mémoire et des unités de traitement est à l'origine d'une grande inefficacité énergétique, problème devenant critique dans le cas d'applications d'intelligence artificielle (IA). Le projet SYNEART vise à résoudre ce problème en exploitant les propriétés physiques des films minces de ferroélectriques relaxeurs afin de produire des dispositifs neuromorphiques. Comparativement aux ferroélectriques conventionnels, les ferroélectriques relaxeurs se caractérisent par des nanorégions polaires et un paysage énergétique « plat », ce qui leur permet de présenter plusieurs états stables, en faisant ainsi des candidats idéaux pour le développement de synapses et de neurones artificiels présentant une consommation d'énergie bien inférieure à celle de la technologie CMOS traditionnelle.
Afin d'accélérer la découverte des combinaisons optimales « composition chimique/épaisseur/électrode », le projet SYNEART propose de mettre en œuvre des approches de synthèse à haut débit (dépôt combinatoire par ablation laser pulsé - CPLD) et une caractérisation haut débit assistée par l'IA.

Objectifs:
Le doctorant ou la doctorante contribuera spécifiquement à la caractérisation et à l'analyse à haut débit accélérées par l'IA. Les objectifs principaux sont :
- analyse DRX à haut débit : des mesures de diffraction des rayons X (DRX) par micro-faisceau seront effectuées sur des bibliothèques de compositions synthétisées par CPLD, avec un intérêt particulier pour les cartographies de l'espace réciproque (RSM) en 2D et 3D, enregistrées dans plusieurs géométries. Des chaînes de gestion et de traitement des données spécifiques seront développées.
- apprentissage profond : le volume massif de données générées constitue un défi majeur pour les méthodes d'analyse conventionnelles. L'objectif est de développer et de mettre en œuvre des réseaux de neurones profonds pour automatiser l'analyse des données, permettant une reconnaissance rapide des phases, de la symétrie (polaire/non-polaire, cubique, etc.) et des paramètres de maille.
La personne recrutée pourra s'appuyer sur l'expertise de l'IRCER et du GREMAN dans le domaine de la croissance et de la caractérisation de couches minces [1, 2] ainsi que dans l'analyse avancée de données DRX, incluant le développement d'algorithmes d'apprentissage profond [3, 4].

Profil du candidat ou de la candidate.
Formation : Master (ou équivalent) en science des matériaux, physique de la matière condensée, cristallographie, ou mathématiques appliquées / science des données avec un fort intérêt pour les applications physiques.
Expertise technique : maîtrise de la programmation pour le traitement de données et le calcul scientifique.
Compétences transversales : capacité à travailler dans un environnement interdisciplinaire. Bonnes capacités de communication pour collaborer avec les différents laboratoires de recherche du projet (SPMS, IRCER, GREMAN, LPMC). Une bonne maîtrise de l'anglais est requise, tant à l'écrit qu'à l'oral.

Références
[1] C. Daumont, Q. Simon, S. Payan, P. Gardes, P. Poveda, M. Maglione, B. Negulescu, N. Jaber, J. Wolfman, “Tunability Investigation in the BaTiO3 -CaTiO3 -BaZrO3 Phase Diagram Using a Refined Combinatorial Thin Film Approach”, Coatings 11, 1082 (2021).
[2] Nadaud, G. F. Nataf, N. Jaber, B. Negulescu, F. Giovannelli, P. Andreazza, P. Birnal, J. Wolfman “Enhancement of piezoelectric properties in a narrow cerium doping range of Ba(1–x)CaxTi(1–y)ZryO3 evidenced by high throughput experiment”, ACS Applied Electronic Materials 6, 7392 (2024).
[3] A. Boulle, A. Debelle, “Convolutional neural network analysis of x-ray diffraction data: strain profile retrieval in ion beam modified materials”, Machine Learning: Science and Technology 4, 015002 (2023). https://doi.org/10.1088/2632-2153/acab4c
[4] A. Souesme, R. Guinebretière, O. Castelnau, A. Boulle, “High-throughput determination of crystallite size and microstrain from X-ray diffraction data with deep neural networks”, Machine Learning: Science and Technology (2026). https://doi.org/10.1088/2632-2153/ae55f9

Votre Environnement de Travail

Ce sujet de thèse est proposé dans le cadre du projet SYNEART, un programme de recherche financé par le plan d'investissement France 2030 et le programme exploratoire PEPR DIADEM. Le poste est ouvert au sein de l’équipe Organisation Structurale Multiéchelles des Matériaux de l'IRCER (Institut de Recherche sur les Céramiques – Limoges, France) en étroite collaboration avec le GREMAN (Materiaux, Microélectronique, Acoustique et Nanotechnologies – Tours, France). L’IRCER dispose d’un savoir faire reconnu en matière de cristallographie et analyse des matériaux par diffraction des rayons X, ainsi que dans le développement d’algorithmes de traitement de données, incluant les réseaux de neurones profonds. La personne recrutée viendra renforcer cette équipe et aura accès aux infrastructures de diffraction des rayons X et à des moyens de calculs hautes performances.

Rémunération et avantages

Rémunération

2300,00 € brut mensuel

Congés et RTT annuels

44 jours

Pratique et Indemnisation du TT

Pratique et indemnisation du TT

Transport

Prise en charge à 75% du coût et forfait mobilité durable jusqu’à 300€

À propos de l’offre

À propos du CNRS

Le CNRS est un acteur majeur de la recherche fondamentale à une échelle mondiale. Le CNRS est le seul organisme français actif dans tous les domaines scientifiques. Sa position unique de multi-spécialiste lui permet d’associer les différentes disciplines pour affronter les défis les plus importants du monde contemporain, en lien avec les acteurs du changement.

Le CNRS

Les métiers de la recherche