Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Post Doctorat   /   Application de modèles génératifs d'apprentissage profond aux propriétés de transport atomique dans les oxydes mixtes uranium-plutonium désordonnés

Application de modèles génératifs d'apprentissage profond aux propriétés de transport atomique dans les oxydes mixtes uranium-plutonium désordonnés

Mathématiques - Analyse numérique - Simulation Physique de l’état condensé, chimie et nanosciences Physique du solide, surfaces et interfaces Sciences pour l’ingénieur

Résumé du sujet

Le machine learning (ML) est couramment exploité en science des matériaux pour améliorer les capacités de prédiction des modèles physiques. Les potentiels interatomiques ML (PIML), entraînés sur les calculs de structure électronique, sont un outil indispensable pour effectuer des simulations en même temps précises et rapides. De plus, de nouveaux modèles génératifs d’apprentissage non supervisés permettent d’apprendre la distribution cachée d’une propriété donnée, et de générer de nouvelles structures selon cette distribution. Dans le cas des solutions solides désordonnées, dont les propriétés dépendent de la distribution des espèces chimiques sur le réseau cristallin, le nombre de configurations atomiques à considérer est trop élevé pour effectuer un échantillonnage exhaustif par les méthodes conventionnelles. C’est le cas des combustibles nucléaires (U,Pu)O2 utilisés dans les réacteurs dans le but de réduire le volume et la radiotoxicité des déchets.

Ce projet vise à combiner les PIML et les méthodes génératives pour étudier les propriétés de diffusion atomique dans les MOX. Le/La candidat·e sera chargé·e d’explorer plusieurs modèles (par exemple, à l'aide d'autoencodeurs) pour trouver les variables collectives les plus adaptées pour décrire les trajectoires de diffusion, et pour suggérer les structures les plus représentatives. Le modèle retenu sera utilisé pour déterminer les coefficients de diffusion des espèces chimiques et des produits de fission, des données essentielles pour la prédiction du comportement des combustibles en réacteur.

Le travail s’effectuera au sein du Département d’Études des Combustibles du CEA, dans un environnement scientifique caractérisé par une grande expertise sur la modélisation des matériaux, en collaboration étroite avec d’autres équipes du CEA en région parisienne, expertes des méthodes machine learning. Les résultats seront valorisés par des publications scientifiques et par la participation à des congrès internationaux.

Laboratoire

Département d’Etudes des Combustibles
Service d’Etudes de Simulation du Comportement du combustibles
Laboratoire de Modélisation Multi-échelles des Combustibles
Top pencilenvelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down