Post-doctorat - Modélisation atomique d'actinides par modèles machine learning

Matériaux, physique du solide Post-doctorat - Modélisation atomique d'actinides par modèles machine learning - H/F Une modélisation prédictive à l'échelle atomique des oxydes d'actinides est cruciale pour l'étude de leur comportement sous irradiation. Une partie des modèles de dynamique moléculaire repose sur les potentiels machine learning, modèles entraînés sur des données ab initio et permettant d'effectuer des simulations à grande échelle tout en conservant une grande précision. Certains d'entre eux ont été utilisés pour modéliser l'oxyde d'uranium. Une modélisation équivalente pour l'oxyde de plutonium est encore à développer. De plus, une grande diversification des modèles machine learning s'est récemment opérée dans la littérature, amenant des méthodologies différentes et reposant sur des logiciels divers. Il convient donc d'établir la pertinence de ces modèles pour les applications du CEA, et de créer une interface commune pour leur utilisation. Une base de données d'entraînement est déjà disponible pour commencer ce projet. 2 ans + 2 x 1an renouvelables Le post-doctorat vise à construire des modèles de dynamique moléculaire basés sur l'apprentissage automatique pour l'oxyde de plutonium, en s'appuyant sur des données ab initio déjà existantes. Ce travail inclut le développement d'interfaces simples pour l'entraînement des modèles, l'évaluation et la comparaison des différents modèles présents dans la littérature en définissant une 'bonne' métrique pour déterminer le compromis coût de calcul/précision pour les applications du CEA, notamment pour les simulations à grande échelle. La mise en place et la comparaison des méthodes d'active-learning afin d'enrichir la base de données d'entraînement sont une partie intégrante du travail. Les simulations seront effectuées grâce au code exaStamp, développé au sein de l'équipe de travail. Compétences acquises : Modélisation à l'échelle atomique ; Compétences en apprentissage automatique ; Analyse, comparaison et synthèse de différentes méthodologies et modèles ; Compétences en programmation et en traitement de données ; Collaboration avec des experts de plusieurs disciplines. Déroulé : - Revue bibliographique : Etude des modèles de machine learning existants pour les oxydes d'actinides ; Identification des méthodologies les plus pertinentes pour l'oxyde de plutonium. - Développement des modèles : Entraînement des modèles de machine learning sur les données ab-initio ; Développement de potentiels pour les simulations atomistiques. - Validation et évaluation : Comparaison des performances des différents modèles ; Evaluation de la précision et de l'efficacité des modèles développés ; Méthodes d'active-learning. - Application et analyse : Utilisation des modèles pour étudier le comportement de l'oxyde de plutonium sous irradiation ; Analyse des résultats et rédaction des rapports. - Collaboration et communication : Collaboration avec les experts du domaine au sein du CEA ; Rédaction d'articles scientifiques et présentation des résultats. 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. Profil recherché : Doctorat en mathématiques, physique, science des matériaux, ou domaine connexe. Expérience en modélisation atomistique, dynamique moléculaire, et apprentissage automatique. Compétences en programmation (Python ou autre) et en traitement de données. Des connaissances en calculs ab initio et en développement de potentiels pour les simulations atomistiques sont un plus. Capable d'être autonome et de travailler en équipe. Python, Bash. Post-doctorat