En poursuivant votre navigation sur ce site, vous acceptez le dépôt de cookies dans votre navigateur. (En savoir plus)

Thèse en Machine Learning par approches stochastiques : applications aux clusters d'eau (H/F)

Cette offre est disponible dans les langues suivantes :
Français - Anglais

Date Limite Candidature : vendredi 21 mai 2021

Assurez-vous que votre profil candidat soit correctement renseigné avant de postuler. Les informations de votre profil complètent celles associées à chaque candidature. Afin d’augmenter votre visibilité sur notre Portail Emploi et ainsi permettre aux recruteurs de consulter votre profil candidat, vous avez la possibilité de déposer votre CV dans notre CVThèque en un clic !

Faites connaître cette offre !

Informations générales

Référence : UMR7590-MICCAS-002
Lieu de travail : PARIS 05
Date de publication : vendredi 30 avril 2021
Nom du responsable scientifique : Michele Casula
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2021
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Grâce aux progrès récents, les méthodes d'apprentissage automatique (Machine Learning - ML) ont montré des capacités prédictives extraordinaires dans une grande variété de domaines, notamment la chimie, la physique et la finance quantitative. Dans ce projet, nous abordons l'objectif spécifique de coupler les méthodes ML avec des approches stochastiques. Nous allons construire de nouveaux schémas de ML qui soient robustes face au bruit qui peut affecter les données d'entraînement. Ces schémas pourraient également exploiter le caractère aléatoire afin d'accélérer le processus d'apprentissage.
Nous poserons les bases mathématiques de ce cadre de ML stochastique semi-supervisé et nous l'appliquerons pour simuler des clusters d'eau, un système notoirement difficile en chimie quantique, où des training set appropriés seront générés par les méthodes de Monte Carlo classiques et quantiques.
Une description parfaitement cohérente de l'eau qui se construise à partir des interactions fondamentales entre l'hydrogène, l'oxygène et les électrons fait encore défaut. Il est nécessaire d'inclure les effets quantiques nucléaires, à partir d'une surface d'énergie potentielle (PES) très précise, déterminée par la solution quantique du problème électronique à coordonnées nucléaires fixées. Cependant, le coût de calcul d'une telle approche rend difficile l'étude de l'eau d'un point de vue entièrement quantique. Dans ce projet de doctorat, nous adapterons des techniques de ML semi-supervisées pour générer de nouveaux potentiels interatomiques, à partir de simulations basées sur une dynamique quantique des ions associée au Monte Carlo quantique pour les électrons [1-3]. Cela nous permettra d'étudier l'eau, qui fait historiquement partie des principaux intérêts scientifiques du laboratoire [4,5], avec un niveau de compréhension jamais atteinte auparavant.
[1] F. Mouhat et al. 2017 Journal of Chemical Theory and Computation 13, 2400
[2] K. Nakano et al. 2020, The Journal of Chemical Physics 152, 204121
[3] K. Nakano et al. 2021, Phys. Rev. B 103, L121110
[4] A.M. Saitta et al. 2012, PRL 108, 207801
[5] S. Pipolo et al. 2017, PRL 119, 245701

Contexte de travail

La/Le thésard.a travaillera dans l'équipe théorique quantique des matériaux (TQM) de l'IMPMC, Sorbonne Université. TQM est une jeune équipe dynamique, située dans un laboratoire pluridisciplinaire, dans le cadre de la prestigieuse Sorbonne Université. L'équipe TQM réunit des personnes qui sont des experts dans le développement de nouvelles méthodes numériques à partir des premiers principes et qui ont réalisé plusieurs publications dans des revues scientifiques à fort impact [6,7].
[6] B. W. Lebert et al. 2019, PNAS 116, 20280
[7] D. Santos-Cottin et al. 2016, Nature Communications 7, 11258

On en parle sur Twitter !