Une approche par groupe de renormalisation fonctionnel des interactions nucléon-nucléon et du point critique
Ce projet de recherche vise à unifier la chromodynamique quantique (QCD) et la structure nucléaire en s'affranchissant des modèles phénoménologiques actuels. L'objectif central est de dériver les interactions nucléon-nucléon (NN) directement à partir du Lagrangien de la QCD via le Groupe de Renormalisation Fonctionnel (FRG). L'innovation majeure repose sur l'implémentation d'un schéma de baryonisation dynamique : au cours du flux de renormalisation, les degrés de liberté baryoniques émergent naturellement des quarks, permettant une transition fluide du régime partonique au régime hadronique. Contrairement à la théorie des champs effectifs chirale (?EFT), ce cadre intègre intrinsèquement les effets du milieu (température et densité). L'étude se focalisera sur le lien fondamental entre la transition liquide-gaz nucléaire et la transition de phase chirale. En explorant le point critique (CEP), le projet ambitionne de démontrer qu'un flux unique du FRG peut décrire la formation des nucléons, leurs interactions attractives/répulsives, et le mécanisme de restauration de la symétrie chirale, offrant ainsi un ancrage non-empirique aux fonctionnelles de densité d'énergie (EDF).
Suivi in situ 4D de l'évolution microstructurale dans des simulations atomistiques
Les progrès exponentiels du calcul haute performance ont permis le développement de simulations atomistiques à très grande échelle, capables de modéliser des systèmes contenant des milliards, voire des milliers de milliards d’atomes. Cependant, ces simulations génèrent des volumes de données colossaux, rendant le stockage et le post-traitement classiques de plus en plus coûteux et limitants. L’analyse in situ, réalisée directement pendant la simulation, apparaît alors comme une solution essentielle pour réduire le volume de données enregistrées, en ne conservant que l’information pertinente.
Dans ce contexte, le suivi 4D (espace et temps) de l’évolution microstructurale des matériaux soumis à des conditions extrêmes constitue un enjeu scientifique majeur. Les simulations atomistiques offrent une résolution spatiale permettant l’observation détaillée des défauts cristallins tels que les dislocations, le maclage, les lacunes et les pores, qui jouent un rôle clé dans les transformations de phase, la plasticité, la fusion/solidification et l’endommagement des matériaux. Le suivi temporel de ces structures permet d’analyser leurs mécanismes de formation, d’évolution et d’interaction, ainsi que leurs corrélations spatiales et temporelles.
Ce travail s’appuie sur la plateforme de calcul exaNBody et sur une méthode de clustering in situ développée dans le code ExaStamp, basée sur la projection des données atomiques sur une grille eulérienne 3D et leur traitement en temps réel. L’objectif est d’étendre cette approche à une dimension temporelle complète afin de suivre l’évolution des clusters en 4D. Cette extension permettra une analyse dynamique par graphes, offrant un accès aux propriétés temporelles des structures, à leurs trajectoires et à leurs comportements collectifs. À terme, ces avancées contribueront à améliorer la compréhension des mécanismes microscopiques hors équilibre et à développer des modèles prédictifs plus précis en science des matériaux.
Interactions Spin-Réseau dans les Simulations ab initio assistées par Apprentissage Automatique
Le domaine scientifique abordé par ce projet postdoctoral se situe à l’intersection de la dynamique moléculaire ab initio, de l’apprentissage automatique et de la caractérisation thermodynamique des matériaux soumis à des conditions extrêmes. Les simulations AIMD traditionnelles constituent un outil puissant pour étudier les propriétés dépendantes de la température et de la pression à partir des premiers principes, mais leur coût computationnel élevé en limite l’utilisation à grande échelle.
En développant et en appliquant des techniques d’échantillonnage assistées par apprentissage automatique (MLACS), ce projet postdoctoral vise à réduire drastiquement la charge de calcul tout en conservant la précision ab initio. Cela permet une exploration efficace des diagrammes de phases et des énergies libres, y compris dans des conditions de pression et de température extrêmes. Cette recherche vise à contribuer à la compréhension et à la modélisation des matériaux, tout en offrant à la communauté scientifique des outils de rupture.
Construction de diagrammes de phases ab initio par inférence bayésienne
Le domaine scientifique abordé par ce projet postdoctoral se situe à l’intersection de la dynamique moléculaire ab initio, de l’apprentissage automatique et de la caractérisation thermodynamique des matériaux soumis à des conditions extrêmes. Les simulations AIMD traditionnelles constituent un outil puissant pour étudier les propriétés dépendantes de la température et de la pression à partir des premiers principes, mais leur coût computationnel élevé en limite l’utilisation à grande échelle.
En développant et en appliquant des techniques d’échantillonnage assistées par apprentissage automatique (MLACS), ce projet postdoctoral vise à réduire drastiquement la charge de calcul tout en conservant la précision ab initio. Cela permet une exploration efficace des diagrammes de phases et des énergies libres, y compris dans des conditions de pression et de température extrêmes. Cette recherche vise à contribuer à la compréhension et à la modélisation des matériaux, tout en offrant à la communauté scientifique des outils de rupture.