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

Matériaux, physique du solide Post-doctorat - Interaction spin-réseau par simulations ab initio et Machine Learning - H/F En science des matériaux, la dynamique moléculaire ab initio (AIMD) constitue un outil central pour l’étude des propriétés à température finie. Toutefois, ces simulations restent fortement limitées par leur coût de calcul élevé, principalement en raison du calcul des forces ab initio et du grand nombre d’étapes nécessaires pour échantillonner la surface d’énergie. Une solution envisagée consiste à remplacer les simulations AIMD par des simulations « classiques » utilisant des potentiels interatomiques issus de l’apprentissage automatique (MLIP). 2 ans + 2 x 1an renouvelables 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 : (i) accélérer les simulations ab initio, et (ii) permettre le calcul des propriétés thermodynamiques des matériaux magnétiques (comme le fer [7]) au sein du package Mlacs. Références : [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.