Modélisation multiéchelle de la dissolution de UO2 // Multiscale modelling of UO2 dissolution

La dissolution de l'uraninite UO₂ en milieu acide nitrique a été étudiée depuis des décennies afin de comprendre, contrôler et optimiser le recyclage du combustible nucléaire usagé. Cependant, les mécanismes réactionnels restent mal compris en raison des limites des méthodes expérimentales, qui reposent souvent sur des observations indirectes et des hypothèses. Bien que les simulations atomistiques fournissent des informations précieuses, la dissolution est un processus physico-chimique complexe nécessitant une modélisation au niveau quantique, les étapes cinétiquement déterminantes impliquant des réactions chimiques de surface.
Les récentes avancées en calcul haute performance (HPC) et l'évolution rapide de l'intelligence artificielle (IA) ont révolutionné la découverte scientifique, permettant une puissance de calcul et des capacités prédictives sans précédent. Ainsi, les simulations de dynamique moléculaire ab initio (AIMD) sont désormais capables de décrire des systèmes suffisamment grands pour déterminer des données thermodynamiques macroscopiques. Les techniques pilotées par l'IA, telles que les champs de force par apprentissage automatique (MLFF) et l'apprentissage profond, permettent d'explorer des échelles de temps plus longues, des résolutions plus élevées et des conditions plus réalistes, particulièrement difficiles à atteindre dans la modélisation des systèmes réactifs.
Cette thèse propose une approche de modélisation multiéchelle, combinant l'AIMD pour comprendre les mécanismes de dissolution avec la dynamique moléculaire classique (CMD) utilisant des MLFFs de pointe afin d'explorer des tailles de système plus grandes et des échelles de temps plus longues. L'AIMD permettra d'identifier le chemin réactionnel le plus probable pour les interactions avec l'acide nitrique ainsi qu'avec les agents métastables générés par la radiolyse. Des méthodes d'échantillonnage améliorées seront utilisées pour accélérer l'exploration et assurer un entraînement fiable du MLFF. Ensuite, la CMD avec MLFF sera utilisée pour étudier l'équilibre solide-liquide, le comportement dynamique du système, les propriétés de transport ionique en solution et la cinétique d'oxydation. Des boîtes de simulation plus grandes permettront également de modéliser des systèmes imparfaits en raison de la présence de défauts de surface, connus pour avoir un impact crucial sur l'évolution du processus de dissolution.
Cette thèse de doctorat aura des applications dans le domaine du recyclage et s'étendra au champ plus large des nanosciences, élargissant ainsi l'impact de ce travail. Le/la candidat(e) sera encouragé(e) à diffuser ses résultats scientifiques par le biais de publications et de présentations lors de conférences nationales et internationales.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The dissolution of uraninite UO₂ in nitric acid media has been studied for decades to understand, control, and optimize the recycling of spent nuclear fuel. However, the reaction mechanisms remain poorly understood due to the limitations of experimental methods, which often rely on indirect observations and hypotheses. While atomistic simulations offer valuable insights, dissolution is a complex physico-chemical process that requires quantum-level modeling, as the kinetically determining steps involve surface chemical reactions.
Recent advances in high performance computing (HPC) and rapid evolution of artificial intelligence (AI) have revolutionized scientific discovery, enabling unprecedented computational power and predictive capabilities. Thus, ab initio molecular dynamics (AIMD) simulations are now capable of describing systems large enough to determine macroscopic thermodynamic data. AI-driven techniques, such as machine learning force fields (MLFFs) and deep learning enable larger timescales, higher resolutions, and more realistic conditions, particularly challenging to achieve in the modelling of reactive systems.
This thesis proposes a multiscale modelling approach, combining AIMD to understand dissolution mechanisms with classical molecular dynamics (CMD) using a state-of-the-art MLFFs to explore larger system sizes and longer timescales. AIMD will help to identify the most probable reaction path for interactions with nitric acid as well as with the metastable agents generated by radiolysis. Enhanced sampling methods will be used to accelerate the exploration and to establish reliable training of the MLFF. Subsequently, CMD with MLFF will be used to investigate solid-liquid equilibrium, dynamical behaviour of the system, ion transport properties in solution and oxidation kinetics. Larger simulation boxes will also make achievable the modelling of imperfect systems due to the presence of surface defects, which are known to have a crucial impact on the evolution of the dissolution process.
This PhD thesis should have a dramatic impact in the recycling domain because dissolution is a crucial stage to perform sustainable separation processes of strategic materials. In addition, this work about solid-liquid interfaces at the nanoscale will also be important for the broader field of nanoscience, thereby expanding the impact of this work. The PhD candidate will be encouraged to disseminate his/her scientific results through publications and presentations at national and international conferences.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026
WEB : https://www.icsm.fr/lmct.html

Enseignement supérieur

Université de Montpellier

459 Sciences Chimiques Balard

Vous êtes un(e) candidat(e) très motivé(e), titulaire d'un diplôme de Master en chimie théorique, chimie physique, physique, ou équivalent. Vous avez un fort intérêt pour la programmation (Python, Fortran, C++) et possédez de bonnes compétences en communication écrite et orale.
You are a highly motivated candidate holding a Master's degree in theoretical chemistry, physical chemistry, physics, or equivalent. You have a strong interest in programming (Python, Fortran, C++) and possess good written and oral communication skills.