Synthèse guidée par l’Intelligence Artificielle de nanomatériaux pour l’énergie

Sur le campus de l'Université de Montpellier au sein de l'institut de recherche ICGM (~400 personnes). Cet institut se trouve au coeur du Pole Chimie Balardqui se positionne comme un pôle d’excellence, visible et attractif au niveau européen et mondial, sur les domaines actuels de la chimie et dans les grands enjeux du développement économique et durable et des questions sociétales.

Les matériaux à base de Cu-Fe-S (tels que les chalcopyrites ou les bornites) présentent un fort intérêt pour des applications en thermoélectricité, en catalyse ou dans les technologies de stockage de l’énergie. Toutefois, leur synthèse en solution aqueuse reste un défi en raison de la complexité du diagramme de phases et de la sensibilité aux conditions expérimentales (stœchiométrie, température, pression, pH, durée, solvants, précurseurs…). 

Méthodologie :

Nous souhaitons intégrer les outils issus de l’intelligence artificielle pour explorer efficacement les paramètres de synthèse en s’appuyant sur une stratégie d'optimisation bayésienne combinée à des modèles multi-fidélité. Cette approche permet de tirer parti à la fois de données expérimentales hétérogènes à basses fidélités et d'expériences à moyennes et hautes fidélités plus complexes et plus lentes à obtenir. Une boucle itérative sera appliquée tout au long de cette étude, elle sera alimentée par les données expérimentales acquises par cycles successifs afin d’affiner le modèle de prédictions. La stratégie d’acquisition sélective permettra de limiter le nombre d’expériences coûteuses tout en identifiant les zones prometteuses de l’espace de paramètres. Cette approche combinée permettra non seulement d’optimiser les conditions de synthèse de façon plus efficace, mais aussi de proposer une méthodologie générique pour d'autres systèmes chimiques complexes à plusieurs variables. Nous nous appuierons sur des codes python open-sources pour y parvenir (scikit-optimize, BoTorch…).

Missions du stage :

Explorer et optimiser les conditions de synthèse de composés Cu–Fe–S par chimie en solution (stœchiométrie, température, pH, durée, solvants, précurseurs, etc.).

Acquérir et organiser des données expérimentales de différents niveaux de fidélité.

Mettre en place une base de données structurée des expériences réalisées.

Développer un modèle d’optimisation multi-fidélité pour guider les synthèses.

Analyser les résultats pour identifier les corrélations entre conditions de synthèse, phases obtenues et performances.

Valoriser les travaux par une publication scientifique si les résultats le permettent.

Master 2 ou équivalent en Chimie, Synthèse ou en Science des Matériaux