Apprentissage statistique des performances d'un catalyseur // Statistical learning of a catalyst's performance

Créer une méthodologie intégrée Machine Learning–expérimentation pour la conception ciblée de catalyseurs CO₂→méthanol, optimisée selon critères multi-objectifs (sélectivité, rendement, coût, durabilité). Le choix de la formulation catalytique est primordial. Il s'agit de prendre en compte les avantages/inconvénients de chaque famille de matériaux et d'orienter le choix du catalyseur en fonction des caractéristiques des effluents que l'on souhaite traiter. La détermination de la composition catalytique des matériaux sera assistée par une modélisation mathématique par apprentissage statistique des performances des catalyseurs par un doctorant qui sera engagé sur le projet de thèse. Plus précisément, cette thèse a pour objectif de développer un jumeau numérique basé sur des méthodes d'apprentissage statistique et de machine learning (ML). En exploitant des données expérimentales déjà acquises, il s'agira de modéliser la durée de vie des catalyseurs et d'identifier les mécanismes dominants de leur dégradation. L'approche visera à construire des modèles prédictifs robustes, capables de s'adapter à différentes conditions opératoires et de guider l'optimisation des procédés catalytiques. Ce travail s'inscrit à l'interface entre la chimie, la modélisation des systèmes complexes et l'intelligence artificielle.
L'IA permet de passer du paradigme « Edisonian » (essais/erreurs) à une stratégie guidée et accélérée. Les travaux récents montrent que ML et apprentissage actif réduisent considérablement le temps de découverte et ouvrent l'accès à des catalyseurs innovants. En une phrase : l'IA remplace une méthode “on essaye tout et on voit ce qui marche” par une méthode “on sait déjà où regarder”.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Develop an integrated Machine-Learning–experiment methodology for the targeted design of CO₂-to-methanol catalysts, optimized according to multi-objective criteria (selectivity, yield, cost, sustainability). The choice of catalyst formulation is critical. The methodology must account for the advantages and limitations of each family of catalytic materials and guide catalyst selection based on the characteristics of the effluents to be treated. The determination of catalytic compositions will be supported by mathematical modelling and statistical learning of catalyst performance, conducted by a PhD student recruited for this project.
More specifically, the objective of the PhD is to develop a digital twin based on statistical learning and machine-learning (ML) methods. Using already-acquired experimental data, the work will focus on modelling catalyst lifetime and identifying the dominant mechanisms responsible for their degradation. The approach aims to build robust predictive models capable of adapting to various operating conditions and guiding the optimization of catalytic processes. The project lies at the interface between chemistry, complex-systems modelling, and artificial intelligence.
AI enables a shift away from the traditional “Edisonian” trial-and-error approach toward a guided and accelerated strategy. Recent studies show that ML and active learning significantly reduce discovery time and open the way to innovative catalysts. In one sentence: AI replaces a “try everything and see what works” method with a “we already know where to look” method.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/05/2026
WEB : https://www.linkedin.com/company/projet-puvafin/posts/?feedView=all&viewAsMember=true

Financement d'une collectivité locale ou territoriale

Université du Littoral Côte d'Opale

585 Sciences, Technologie, Santé

Master 2 (ou équivalent) en mathématiques appliquées/IA/ De solides connaissances pratiques en traitement du signal ainsi que la maitrise du français et/ou de l'anglais (écrit et oral) sont nécessaires. Données & calcul : • Utilisation des données réelles issues des catalyseurs d'étude de la Mrei1. • Stockage organisé des données (bases SQL ou NoSQL). • Gestion des calculs avec des outils comme ASE, FireWorks. Machine Learning : • Frameworks : PyTorch ou TensorFlow. • Pour les réseaux de neurones graphiques : PyTorch Geometric ou DGL. • Outils classiques : scikit-learn (bibliothèque Python de machine learning). • Pour les processus gaussiens : GPyTorch. Le travail devra être valorisé par la rédaction d'articles scientifiques et par une participation aux congrès scientifiques. Date limite de candidature: 30 mars 2026
Master's degree (Master 2 or equivalent) in Applied Mathematics / Artificial Intelligence Strong practical knowledge in signal processing is required, as well as proficiency in French and/or English (written and spoken). Data & Computation: Use of real data obtained from catalysts studied within the Mrei1 project. Structured data storage (SQL or NoSQL databases). Management of computational workflows using tools such as ASE and FireWorks. Machine Learning: Frameworks: PyTorch or TensorFlow. For graph neural networks: PyTorch Geometric or DGL. Classical tools: scikit-learn (Python machine learning library). For Gaussian processes: GPyTorch. The work is expected to be disseminated through the writing of scientific articles and participation in scientific conferences. Application deadline: March 30, 2026