Développement de champs de force par approche Machine Learning : le cas des actinides // Development of Force Fields Using Machine Learning Approaches: The Case of Actinides

Les champs de force classiques (MM, champs de force traditionnels) permettent généralement de décrire de façon satisfaisante les interactions interatomiques. Toutefois, leur capacité à représenter des systèmes complexes, soit fortement polarisables soit avec des charges sur les ions élevés demeure limitée, comme par exemple les actinides en solution, mais également de plusieurs processus d'intérêt atmosphérique où la description fine des interactions électrostatiques et de la réponse électronique locale est essentielle. Dans nos travaux antérieurs, nous avons développé un champ de force classique avancé intégrant un grand nombre de termes physiques, y compris des contributions à n-corps, et reposant sur des calculs ab initio. Malgré sa précision, la paramétrisation d'un tel modèle devient rapidement irréalisable dès que l'on souhaite inclure des environnements plus diversifiés, combinant différents ligands ou contre-ions par exemple.

L'objectif de cette thèse est de concevoir et tester une méthodologie de construction de champ de force de nouvelle génération fondé sur des approches de Machine Learning (ML). Ce modèle sera entraîné à reproduire fidèlement les surfaces d'énergie issues de calculs ab initio et devra permettre la modélisation précise de la dynamique moléculaire des systèmes sélectionnés dans leurs environnements. Un tel champ de force ML offrira une flexibilité accrue par rapport aux approches paramétrées classiques, permettant d'intégrer naturellement des interactions complexes et non linéaires, tout en conservant une précision proche des méthodes ab initio et en réduisant considérablement les coûts de calcul.

L'ensemble de ces développements permettra au doctorant d'acquérir non seulement des compétences scientifiques solides, mais également une expertise en programmation, en intelligence artificielle et en traitement de données.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Classical force fields (MM, traditional force fields) generally provide a satisfactory description of interatomic interactions. However, their ability to represent complex systems—whether strongly polarizable or involving highly charged ions—remains limited. This is the case, for example, for actinides in solution, but also for several atmospheric processes where an accurate description of electrostatic interactions and the local electronic response is essential. In our previous work, we developed an advanced classical force field that incorporates a large number of physical terms, including many-body contributions, and is based on ab initio calculations. Despite its accuracy, the parametrization of such a model rapidly becomes impractical as soon as one seeks to include more diverse environments, combining different ligands or counterions, for instance.

The objective of this PhD project is to design and evaluate a methodology for building a new-generation force field based on Machine Learning (ML) approaches. This model will be trained to faithfully reproduce energy surfaces obtained from ab initio calculations and will enable accurate molecular dynamics simulations of the selected systems in their environments. Such an ML-based force field will offer greater flexibility than traditional parametrized approaches, naturally integrating complex and nonlinear interactions while maintaining ab initio–level accuracy and significantly reducing computational cost.

All these developments will allow the PhD student to acquire not only strong scientific skills, but also hands-on expertise in programming, artificial intelligence, and data processing.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université de Lille

104 Sciences de la Matière du Rayonnement et de l'Environnement

Le ou la candidat(e) devra être titulaire d'un Master (ou diplôme équivalent) en physique, chimie, sciences des matériaux ou disciplines connexes, avec une solide formation en modélisation théorique et en méthodes de simulation numérique. Des connaissances en dynamique moléculaire, en calcul ab initio et/ou en chimie ou physique quantique sont fortement souhaitées. Un intérêt marqué pour le développement méthodologique et pour les approches de Machine Learning appliquées à la modélisation atomistique est attendu. Des compétences en programmation scientifique (Python, C/C++ ou langages équivalents), en calcul haute performance et en analyse de données constitueront un atout important. Au-delà des compétences techniques, le ou la candidat(e) devra faire preuve de curiosité scientifique, d'autonomie progressive et de rigueur, tout en étant capable de s'inscrire dans un cadre d'encadrement structuré et de tirer parti d'échanges réguliers avec les membres de l'équipe. De bonnes capacités de communication, tant à l'écrit qu'à l'oral, seront nécessaires pour interagir dans un environnement pluridisciplinaire à l'interface de la physique, de la chimie et de l'intelligence artificielle, ainsi que pour valoriser les résultats de recherche. Une aptitude au travail collaboratif, à l'adaptation à des thématiques transverses et à la conduite de projets de recherche de long terme sera particulièrement appréciée.
Applicants should hold a Master's degree (or equivalent) in physics, chemistry, materials science, or a closely related discipline, with a strong foundation in theoretical modeling and numerical simulation techniques. Prior experience in molecular dynamics, ab initio methods, and/or quantum chemistry or physics is highly desirable. A demonstrated interest in Machine Learning approaches for atomistic modeling is expected. Proficiency in scientific programming (e.g., Python, C/C++, or similar), high-performance computing, and data analysis will be considered a strong advantage. The successful candidate should be motivated to work in an international and multidisciplinary research environment, combining physics, chemistry, and artificial intelligence. Excellent communication skills in English, both written and oral, are required for daily scientific interactions, publications, and conference presentations. The candidate is expected to progressively develop scientific autonomy while actively engaging in regular supervision meetings and collaborative research activities. Openness to interdisciplinary research, adaptability to different scientific cultures, and the ability to work effectively within diverse teams are essential. International mobility and prior experience in collaborative research projects will be viewed positively.