Potentiels d'interaction par apprentissage automatique pour des nanoparticules non sphériques // Machine-learning interaction potentials for non-spherical nanoparticles

Nous visons à développer des potentiels d'interaction par apprentissage automatique (machine learning, ML) transférables pour des nanoparticules de forme non sphérique (par exemple bâtonnets, prismes, triangles ou structures étoilées). La méthodologie repose sur la génération de potentiels dépendant de la configuration, intégrant les interactions de dispersion, magnétiques et solvant-ligand, combinée à des approches de deep learning permettant d'apprendre des fonction d'énergie différentiables en fonction des positions et orientations relatives.
Une attention particulière est portée à la prise en compte explicite de l'anisotropie des nanoparticules, afin que les potentiels obtenus reproduisent correctement les attractions préférentielles. Les potentiels ML seront validés de manière systématique par comparaison avec des simulations atomistiques de référence, basées sur des champs de force classiques et, lorsque nécessaire, sur des descriptions réactives. Ils seront également confrontés aux tendances expérimentales d'auto-assemblage, ouvrant la voie à des prédictions de la formation de supercristaux pour des morphologies complexes de nanocristaux.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

We aim to develop transferable machine-learning (ML) interaction potentials for non-spherical nanoparticles (e.g., rods, prisms, triangles, or star-shaped structures). The methodology is based on generating configuration-dependent potentials that incorporate dispersion, magnetic, and solvent–ligand interactions, combined with deep learning approaches capable of learning differentiable energy functions as a function of relative positions and orientations.

Particular attention is given to explicitly accounting for nanoparticle anisotropy, ensuring that the resulting potentials accurately reproduce preferential attractions. The ML potentials will be systematically validated through comparison with reference atomistic simulations based on classical force fields and, when necessary, reactive descriptions. They will also be benchmarked against experimental self-assembly trends, paving the way for predictions of supercrystal formation in complex nanocrystal morphologies.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Contrat doctoral

Concours pour un contrat doctoral - SU

Sorbonne Université SIS (Sciences, Ingénierie, Santé)

388 Chimie Physique & Chimie Analytique de Paris-Centre

Le ou la candidate idéal(e) est titulaire (ou en fin de cursus) d'un master en chimie physique ou en science des matériaux, avec une solide formation en modélisation et simulation numériques. Une connaissance du domaine des nanosciences constituera un atout. Une familiarité avec les systèmes de nanoparticules, les interactions anisotropes ou les processus d'auto-assemblage est souhaitable. Une expérience des techniques d'échantillonnage avancé (par exemple la métadynamique) et des calculs d'énergie libre sera considérée comme un avantage important. De solides compétences en programmation sont requises, en particulier en Python, incluant le calcul scientifique, l'analyse de données et l'utilisation de cadres d'apprentissage automatique. Une expérience préalable aux méthodes de machine learning est appréciée mais non indispensable.
The ideal candidate holds (or is nearing completion of) a Master's degree in physical chemistry or materials science, with a strong background in numerical modeling and simulation. Knowledge of nanoscience will be an asset. Familiarity with nanoparticle systems, anisotropic interactions, or self-assembly processes is desirable. Experience with advanced sampling techniques (e.g., metadynamics) and free energy calculations will be considered a significant advantage. Strong programming skills are required, particularly in Python, including scientific computing, data analysis, and the use of machine learning frameworks. Prior experience with machine learning methods is appreciated but not essential.