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

Méthodes de machine-learning pour simuler les transitions de phase dans les nanoparticules (H/F)

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

Date Limite Candidature : mercredi 29 juin 2022

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 !

Informations générales

Référence : UPR8011-JULLAM-003
Lieu de travail : TOULOUSE
Date de publication : mercredi 8 juin 2022
Nom du responsable scientifique : Julien Lam, Magali Benoit
Type de contrat : CDD Doctorant/Contrat doctoral
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2022
Quotité de travail : Temps complet
Rémunération : 2 135,00 € brut mensuel

Description du sujet de thèse

Un défi majeur dans les nanotechnologies d'aujourd'hui est de parvenir à contrôler les propriétés structurelles des nanoparticules pendant leur synthèse. Pour obtenir une synthèse ciblée de nanoparticules, il faut une bien meilleure compréhension des processus impliqués comme la nucléation des cristaux qui correspond à la formation de la structure initiale. Cependant, en l'état actuel des pratiques expérimentales et de simulation, le contrôle de la nucléation pendant la synthèse des nanoparticules reste un obstacle qui doit être surmonté. Dans ce projet, nous introduisons d'abord une approche de simulation originale basée sur l'apprentissage automatique qui nous permettra d'effectuer des simulations à grande échelle tout en conservant la précision des calculs quantiques. Ensuite, en s'appuyant sur ce nouveau modèle numérique, nous étudierons l'exemple des nanoparticules d'oxyde de fer qui offre un terrain de jeu riche pour la compréhension fondamentale tout en étant considéré dans de nombreuses applications technologiques.

Contexte de travail

ANR JCJC NucleFOX
Groupes SINanO (Surfaces, Interfaces et Nano-Objets)

On en parle sur Twitter !