Dépôt Atomique en Couches Spatialisé Combinatoire Piloté par l'IA pour l'Optimisation Accélérée de Couches Minces Multicomposantes // AI-Driven Combinatorial Spatial Atomic Layer Deposition for Accelerated Multicomponent Thin-Film Optimization

Le Spatial Atomic Layer Deposition (SALD) est une variante récente de l'ALD qui permet de déposer des couches minces fonctionnelles à des vitesses jusqu'à deux ordres de grandeur supérieures à celles de l'ALD conventionnel, y compris lorsque le procédé est réalisé à pression ambiante. De plus, le SALD peut être mis en œuvre à l'air libre, c'est-à-dire sans nécessiter de chambre de dépôt, ce qui le rend compatible avec d'autres techniques de procédés en ligne, telles que la pulvérisation ou les procédés roll-to-roll.
Traditionnellement, l'optimisation du procédé de dépôt et des propriétés finales des matériaux repose sur une approche par essais-erreurs, impliquant le dépôt d'un échantillon pour chaque paramètre de dépôt modifié. Nous avons récemment démontré que, grâce à une conception appropriée des têtes SALD, il est possible de réaliser des dépôts combinatoires. Dans nos premiers résultats, un gradient d'épaisseur a été utilisé pour optimiser des structures métal-isolant-métal (MIM) et des cellules solaires à pérovskites hybrides, en collaboration avec l'Université de Waterloo. Nous développons actuellement cette approche en concevant de nouvelles têtes SALD permettant le dépôt de gradients de composition, et en construisant un système SALD automatisé afin d'assurer la reproductibilité. Ces travaux s'inscrivent dans le cadre du projet FASTNANO, au sein du PEPR Diademe. Toutefois, aucun financement spécifique n'est prévu dans ce projet pour la mise en œuvre d'une assistance par intelligence artificielle (IA).
La thèse proposée impliquerait ainsi une collaboration avec le SIMAP afin d'appliquer l'IA pour accélérer davantage le procédé de dépôt de matériaux multicomposants, en utilisant notre système automatisé équipé de têtes combinatoires permettant le dépôt de gradients de composition. Les objectifs de la thèse sont de définir un cadre de modèles d'IA spécifiques au SALD, de manière à pouvoir les appliquer ultérieurement à différents matériaux. L'étude de cas retenue pour le développement portera sur le dépôt de couches minces de ZnO dopé (Al, Ga, etc.), en vue d'obtenir des électrodes transparentes présentant des propriétés optimales pour différentes applications.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Spatial Atomic Layer Deposition (SALD) is a recent variation of ALD that allows depositing functional thin films at up to 2 orders of magnitude higher rates than conventional ALD, even when processing at ambient pressure. In addition, SALD can be performed in the open air, i.e. without the need of a deposition chamber, thus being suitable to combine with other in-line process techniques such as spray or roll-to-roll.
Traditionally, the optimization of the deposition process and final materials properties is done by trial and error and involving the deposition of one sample for each deposition parameter varied. We have recently demonstrated that by proper design of SALD heads, a combinatorial deposition can by achieved. In our first results, a thickness gradient was used to optimize metal-insulator-metal (MIM) structures and hybrid perovskite solar cells, in collaboration with the U. of Waterloo. We are currently further developing this approach by designing new SALD heads allowing the deposition of compositional gradients and by building an automated SALD system to ensure reproducibility. This is done in the framework of the FASTNANO project, within the PEPR Diademe. But there is no dedicated funding in this project to implement the assistance of IA.
The thesis proposed would thus involve a collaboration with SIMAP to apply IA in order to further accelerate the deposition process of multicomponent material using our automated system with combinatorial heads allowing the deposition of compositional gradients. The thesis objectives are to set the frame an IA models specific of our SALD so that they can then be latter applied to different materials. The case study for the development will be the deposition of doped ZnO thin films (with Al, Ga, etc.) to obtain transparent electrodes with optimum properties for different applications.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral

Concours pour un contrat doctoral

Université Grenoble Alpes

510 I-MEP² - Ingénierie - Matériaux, Mécanique, Environnement, Energétique, Procédés, Production

Les candidats devront avoir un Master en Sciences des Matériaux ou en physique, ou être ingénieurs avec un niveau équivalent, avec des bases de IA et programmation. Nous recherchons un(e) étudiant(e) très motivé(e) qui est intéressé(e) pour travailler dans un projet et environnement interdisciplinaire. Les qualités humaines, le dynamisme, la rigueur et les capacités de travail en équipe seront appréciées.
The candidates should have a Master in Materials Science or physics, or to have a degree in engineering with the same level and notions of AI and programming. We are looking for a highly motivated phD student who is interested to work in an inter-disciplinary project. Interpersonal skills, dynamism, rigor and teamwork abilities will be appreciated.