Simulation hybride par apprentissage automatique des nanocomposites polymères ancrée sur des jumeaux numériques atomistiques // Hybrid Machine-Learning Simulation of Polymer Nanocomposites Anchored on Atomistic Digital Twins

Dans le domaine des matériaux nanostructurés, la conception prédictive se heurte à une difficulté fondamentale : les modèles ne connaissent que rarement la microstructure réelle qu'ils sont censés décrire. Celle-ci se forme lors de la fabrication, sous l'effet de la cinétique réactionnelle, du confinement et de l'auto-assemblage — des processus difficiles à observer et à contrôler. L'arrangement effectif des phases, des interfaces et des défauts est rarement mesuré, de sorte que la modélisation repose sur des substituts non vérifiés, incapables de représenter fidèlement le matériau réel. Combler cet écart exige d'ancrer les modèles dans la microstructure réelle, et non dans des hypothèses statistiques. Or, une reconstruction unique ne décrit qu'un seul matériau parmi une multitude ; atteindre un optimum suppose également d'explorer l'espace de structures environnant. Ce double besoin — reconstruction de référence absolue et exploration guidée — se pose pour toutes les classes de matériaux.
PolyTwin s'attaque à ce défi dans les polymères à travers deux sous-problèmes complémentaires. Sur le plan expérimental, il reconstruit des nanocomposites polymères à résolution atomistique à partir de la tomographie par sonde atomique — en surmontant la dégénérescence des fragments et la perte de connectivité — afin de retrouver les trajectoires authentiques des chaînes, l'organisation interfaciale et la distribution des charges. Sur le plan computationnel, il élabore un cadre multi-échelle résolu en structure, dans lequel les simulations atomistiques et mésoscopiques sont initialisées et validées par ces reconstructions plutôt que par des réseaux idéalisés, quantifiant ainsi la manière dont la conformation des chaînes, la topologie des enchevêtrements, la dispersion des charges et le compactage interfacial gouvernent les réponses macroscopiques — rigidité, dissipation viscoélastique, transport, endommagement et rupture.
Les deux sous-problèmes progressent en parallèle tout en s'alimentant mutuellement : la reconstruction fournit des jeux de données ancrés dans la réalité, tandis que la modélisation les transforme en substituts prédictifs — comblant ainsi le déficit de prédictibilité et substituant à l'approche par essais-erreurs une conception rationnelle résolue en structure.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Across nanostructured materials, predictive design struggles because models rarely know the true microstructure they describe. It is set during fabrication through reaction kinetics, confinement, and self-assembly—processes hard to observe and control. The real arrangement of phases, interfaces, and defects is seldom measured, so modeling relies on unverified surrogates that can't represent the actual material. Closing this gap requires anchoring models in the actual microstructure, not statistical assumptions. Yet a single reconstruction describes only one material among many; reaching an optimum also requires exploring the surrounding structure space. This dual need—ground-truth reconstruction and guided exploration—spans all material classes. PolyTwin tackles it in polymers through two subproblems. Experimentally, it reconstructs polymer nanocomposites at atomistic resolution from atom probe tomography—overcoming fragment degeneracy and lost connectivity to recover genuine chain trajectories, interfacial organization, and filler distributions. Computationally, it builds a structure-resolved multiscale framework where atomistic and mesoscale simulations are initialized and validated by these reconstructions rather than idealized networks, quantifying how chain conformation, entanglement topology, filler dispersion, and interfacial packing govern macroscopic responses—stiffness, viscoelastic dissipation, transport, damage, and failure. The subproblems advance in parallel yet feed each other—reconstruction supplies grounded datasets, modeling turns them into predictive surrogates—closing the predictability gap and replacing trial-and-error with structure-resolved rational design.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université de Technologie de Compiègne

71 Sciences pour l'ingénieur

Master en mathématiques appliquées, mathématiques computationnelles ou modélisation Solides bases en analyse numérique, optimisation Maîtrise des méthodes probabilistes et statistiques (inférence bayésienne, processus gaussiens) Connaissance des méthodes d'apprentissage automatique et de leur fondement mathématique (régression, réseaux de neurones, théorie de l'approximation) Maîtrise de Python et/ou MATLAB ; connaissance de C/C++ appréciée Bonnes capacités rédactionnelles en anglais scientifique Rigueur analytique, autonomie et goût pour les problèmes à l'interface mathématiques–physique
Master's degree in Applied Mathematics, Computational Mathematics, or Mathematical Modelling Strong background in numerical analysis and optimization Proficiency in probabilistic and statistical methods (Bayesian inference, Gaussian processes) Knowledge of machine learning methods and their mathematical foundations (regression, neural networks, approximation theory) Proficiency in Python and/or MATLAB; knowledge of C/C++ is a plus Strong scientific writing skills in English Analytical rigor, autonomy, and a strong interest in problems at the interface of mathematics and physics