Croissance intelligente d'oxydes thermoélectriques par épitaxie assistée par suivi operando et apprentissage automatique

CONTEXTE ET MOTIVATION
Ce projet de doctorat sera réalisé à l'Institut des Nanotechnologies de Lyon (INL) au sein de l'équipe « Matériaux Fonctionnels et Nanostructures », dans le cadre du projet PEPR DIADEM CINEMA financé (2026-2030). La recherche porte sur le développement de stratégies de croissance intelligentes pour des couches minces d'oxydes fonctionnels par épitaxie par jets moléculaires (MBE), combinée à un suivi in situ et des approches d'apprentissage automatique. L'optimisation de la relation entre les conditions de croissance et les propriétés des matériaux fonctionnels repose encore largement sur des approches empiriques telles que l'essai-erreur ou le plan d'expériences. Ces méthodes sont coûteuses en temps et en ressources et requièrent des processus d’élaboration très stables, rarement atteints en pratique. Ce projet propose de développer une nouvelle méthodologie de contrôle intelligent de la croissance appliquée au BaSnO₃ de type p, un oxyde pérovskite à large bande interdite présentant un intérêt croissant pour l'électronique transparente et les applications thermoélectriques, basée sur l'utilisation combinée d'outils avancés de caractérisation in situ et en temps réel ainsi que des analyses de données pilotées par l'apprentissage automatique. La chambre MBE d'oxydes de l'INL est équipée de plusieurs techniques de surveillance en temps réel, notamment la diffraction d'électrons de haute énergie en réflexion (RHEED), l'ellipsométrie spectroscopique, la mesure de courbure du substrat et la mesure optique des flux. Ces outils fournissent des informations complémentaires sur la structure de surface, la dynamique de croissance, les propriétés optiques, les contraintes et la stoechiométrie lors du dépôt de couches minces. L'objectif de la thèse est d'exploiter ces mesures, combinées à une approche d'apprentissage automatique, pour développer des modèles basés sur les données capables de corréler les paramètres de croissance et les propriétés fonctionnelles du BaSnO₃ de type p. Le BaSnO₃ est un oxyde pérovskite reconnu pour sa très haute mobilité électronique dans sa forme de type n (dopé La), mais son homologue de type p reste largement inexploré et mal maîtrisé, ce qui en fait une cible particulièrement pertinente et intéressante pour ce projet.

OBJECTIFS DE LA THESE DE DOCTORAT
La thèse de doctorat combine analyse de données et recherche en matériaux. L'objectif sera de développer deux approches complémentaires pour l'optimisation de la croissance. La première approche est basée sur des mesures operando couplées, combinant la surveillance en temps réel de la courbure, le RHEED et l'ellipsométrie spectroscopique, afin de sonder directement l'état structural et optique du film en cours de croissance et d'acquérir une compréhension approfondie de la physique de la croissance et de l'impact réel des paramètres d'élaboration sur les propriétés des matériaux. La deuxième approche repose sur des algorithmes d'apprentissage automatique supervisé (ML) et d'optimisation bayésienne (OB) pour établir des corrélations entre les principaux paramètres d'élaboration (flux de Ba, flux de Sn, flux de dopant, pression d'O₂, température de substrat) et une propriété fonctionnelle du matériau telle que la résistivité électrique. Ces méthodes sont particulièrement bien adaptées aux petits jeux de données expérimentaux, tels que ceux rencontrés typiquement en MBE. Pour entraîner et valider ces modèles, la base de données sera d'abord construite à partir de données de BaSnO₃ de type n extraites de la littérature, un système bien documenté qui constitue un référentiel idéal. Le doctorant construira ensuite sa propre base de données expérimentales à partir de ses propres croissances de BaSnO₃ de type p, enrichissant progressivement le modèle avec des données originales. Une fois cette méthodologie validée sur le système de type n, l'objectif final sera d'appliquer les deux approches — contrôle operando et optimisation guidée par ML — à la croissance et aux mesures in situ et d'établir des corrélations entre les conditions de croissance et les propriétés des matériaux. En combinant la surveillance operando, l'apprentissage automatique et les caractérisations ex situ, le projet vise à établir des modèles prédictifs reliant les paramètres de croissance, la chimie des défauts et les propriétés de transport, avec pour objectif final d'obtenir un BaSnO₃ de type p haute performance avec une résistivité et une concentration en porteurs optimisées, au-delà de l'état de l'art actuel.

L’INL a pour vocation de développer des recherches technologiques multidisciplinaires dans le domaine des micro et nanotechnologies et de leurs applications. Les recherches menées s’étendent des matériaux aux systèmes, laboratoire s’appuie sur la plate-forme technologique lyonnaise NanoLyon.

Les domaines d’application couvrent de grands secteurs économiques : l’industrie des semiconducteurs, les technologies de l’information, les technologies du vivant et de la santé, l’énergie et l’environnement.
Le laboratoire est multi-sites avec des localisations sur les campus d’Ecully et de Lyon-Tech La Doua. Il regroupe environ 200 personnes dont 121 personnels permanents. L’INL est un acteur majeur du Pôle de Recherche et d’Enseignement.

Lieu : La thèse de doctorat sera réalisée à l'INL, sur le site de l'École Centrale de Lyon (ECL), au sein de l'équipe MFN (https://inl.cnrs.fr/en/equipe-materiaux/). Le laboratoire offre un environnement interdisciplinaire avec une forte expertise en croissance épitaxiale, nanomatériaux, techniques avancées de caractérisation et matériaux fonctionnels. Le candidat aura accès à des équipements de croissance et de caractérisation à la pointe de la technologie.

Cadre et partenariat : PEPR DIADEM – projet CINEMA : https://www.pepr-diadem.fr/projet/cinema/
Dates / durée : le poste est pour 3 ans, d'octobre 2026 à septembre 2029.
Salaire : Salaire brut d'environ 2 300 € brut/mois ; 1 600 € net/mois.

Profil de recherche et compétences requises :
• Diplôme de master (M2 ou équivalent) en physique, science des matériaux ou dans un domaine connexe, de préférence avec un mémoire de master lié au traitement de données par IA
• Intérêt pour la science des matériaux expérimentale et la croissance de couches minces
• Connaissances en apprentissage automatique ou en analyse de données appliquée à la science des matériaux
• Expérience en croissance et caractérisation de couches minces
• Motivation pour travailler avec des techniques avancées de caractérisation et de croissance
• Le candidat doit être capable de travailler de manière autonome tout en collaborant efficacement avec l'équipe de recherche.
• De bonnes aptitudes à la communication et une maîtrise de l'anglais sont requises.