L'objectif de ce projet est de développer un outil basé sur la modélisation moléculaire combinée à des techniques de Machine Learning pour estimer rapidement des distributions d'énergie d'hydrolyse et de reformation des liaisons chimiques à la surface de verres alumino silicates (SiO2+Al2O3+CaO+Na2O).
La première étape consistera à valider les champs de force classiques utilisés pour préparer des systèmes SiO2-Al2O3-Na2O-CaO hydratés par comparaison avec des calculs ab initio. La métadynamique sera utilisée pour comparer les mécanismes élémentaires.
L'étape suivante consistera à effectuer des calculs avec les champs de force classiques et la méthode dite "Potential Mean Force" pour estimer les distributions d'énergies d'hydrolyse et de reformation des liaisons chimiques sur de larges statistiques. Puis, grâce aux approches de Machine Learning et aux descripteurs structuraux, nous essaierons de corréler les caractéristiques des environnements locaux et ces énergies d'hydrolyse et de reformation des liaisons. Des méthodes comme le "Kernel Ridge Regression", le "Random Forrest", ou le "Dense Neural Network" seront comparées.
Au final, un outil générique sera disponible pour prédire rapidement les distributions des énergies d'hydrolyse et de reformation des liaisons pour une composition donnée de verre.