Le machine learning (ML) est utilisé en science des matériaux pour améliorer les capacités de prédiction des modèles physiques. Les potentiels interatomiques ML (PIML), entraînés sur des calculs de structure électronique, sont des outils courants pour effectuer des simulations efficaces et physiquement précises. De plus, des modèles génératifs non supervisés sont actuellement explorés pour apprendre des distributions cachées d’une propriété et générer de nouvelles structures atomiques selon ces distributions. Cela est utile pour les solutions solides désordonnées, dont les propriétés dépendent de la distribution des espèces chimiques dans le réseau cristallin. Ici, le nombre de configurations atomiques est si grand qu’un échantillonnage exhaustif dépasse largement les capacités des méthodes conventionnelles. C’est le cas par exemple des oxydes mixtes U-Pu (MOX) ciblant la réduction du volume et de la radiotoxicité des déchets.

Ce projet vise à combiner les PIML et les méthodes génératives pour étudier les propriétés de transport atomique dans les MOX. Le/La candidat·e utilisera nos outils génératifs pour générer des configurations atomiques représentatives et construire une base de données ab initio. Il/elle utilisera cette base de données d’entraînement pour développer un nouveau PIML pour les MOX, en s’appuyant sur l’expérience acquise lors du développement de PIML pour les oxydes UO2 et PuO2. Enfin, il/elle appliquera le PIML pour calculer les coefficients de diffusion atomique, qui sont des données cruciales pour prédire l’évolution de la microstructure sous irradiation et le comportement dans le réacteur.

Le travail sera réalisé au Département d’Études des Combustibles (IRESNE, CEA Cadarache), dans un laboratoire ayant un haut niveau d’expertise en modélisation des matériaux, en étroite collaboration avec d’autres équipes du CEA expertes de méthodes ML. Les résultats seront valorisés via des publications et la participation à des congrès internationaux