Modélisation thermodynamique des oxydes complexes pour les capteurs intelligents

La recherche de matériaux plus efficaces suit un schéma qui a très peu changé au fil des ans, impliquant des phases peu automatisées de synthèse et de caractérisation. Bien que ce schéma ait prouvé sa force dans la création de bases de connaissances, il reste inefficace car il est chronophage et couvre généralement une gamme réduite de compositions. Le projet Hiway-2-mat (https://www.pepr-diadem.fr/projet/hiway-2-mat/) vise à utiliser des approches combinatoires à haut débit et à développer des configurations autonomes pour explorer les espaces de composition des matériaux d'oxyde complexes, dans le but d'accélérer la découverte de matériaux pour les capteurs intelligents. Dans ce contexte, la méthode CALPHAD est un outil précieux pour l'exploration des matériaux, car elle peut fournir des informations sur le rôle de l'état d'oxydation ou de la pression partielle de l'oxygène sur la stabilité de la phase, et sur le degré de substitution des éléments dopants dans une matrice d'oxyde. L'objectif est de calculer les diagrammes de phase d'oxydes complexes à partir des bases de données disponibles, soit pour mieux préparer les expériences combinatoires, soit pour piloter le robot autonome à la volée, en fournissant des informations supplémentaires pour la caractérisation en ligne.
Votre rôle sera de:
1)Effectuer des simulations thermodynamiques en utilisant la méthode CALPHAD et le logiciel Thermo-Calc pour prédire la gamme de stabilité d'un ensemble d'oxydes complexes (Ba/Ca/Sr)(Ti/Zr/Sn/Hf)O3 à différentes températures et pressions partielles d'oxygène. Le candidat effectuera également un examen critique des données thermodynamiques disponibles dans la littérature.
2)Inclure des éléments clés dans la base de données disponible.
3)Développer une méthode de screening rapide pour rechercher les compositions les plus prometteuses.
4)Collaborer avec l'équipe de développement de la plateforme expérimentale pour orienter les futurs essais.

Exploration de solutions microfluidiques dans la fabrication de cibles pour la production d’énergie par fusion

Dans le cadre d’un appel à projet sur les « réacteurs nucléaires innovants », le projet TARANIS consiste à étudier la possibilité de production d’énergie par une centrale à fusion par confinement inertiel initiée par lasers de puissance. Le contexte actuel incitant le développement des énergies décarbonnées et les expériences de fusion conduites par les équipes américaines du NIF rendent très favorable la conduite de recherches de haut niveau visant à produire à terme une source d’énergie économiquement intéressante basée sur la fusion inertielle.
Parmi les nombreux verrous techniques à surmonter, la production de cibles de fusion avec un schéma réactionnel adapté et compatible avec la production d’énergie est un enjeu majeur. Le CEA dispose d’un savoir-faire permettant de produire des lots de capsules contenant les éléments fusibles de la réaction. Toutefois le procédé actuel n’est pas adapté à une production de masse de centaines de milliers de capsules par jour à un coût acceptable.
L’une des voies à fort potentiel repose sur l’usage de dispositifs microfluidiques, pour lesquels le Laboratoire des Systèmes Microfluidique et Bioingénierie (LSMB) du Département Technologies et Innovation pour la Santé (DTIS) de la DRT du CEA dispose d’une expertise reconnue.

Echangeurs d’ions hybrides pour le traitement des Liquides Organiques Radioactifs : aide au design par dynamique moléculaire

Le projet ECCLOR (Projet labellisé ‘Investissement pour le future’) se concentre sur le traitement des effluents organiques radioactifs en développant des matériaux poreux capables d'éliminer sélectivement les ions émetteurs alpha. Les recherches menées au CEA ont permis de concevoir des matériaux hybrides avec des performances variables dans la capture des émetteurs alpha présents dans les liquides organiques. Comprendre ces performances à l'échelle moléculaire est essentiel mais complexe.
Pour répondre à ce défi, ce contrat post-doctoral se penche sur l'utilisation de la dynamique moléculaire classique pour rationaliser ces performances. Les travaux seront menés au laboratoire LILA du centre de recherche de Marcoule, profitant de l'expertise des équipes spécialisées dans la modélisation des systèmes solide/liquide par dynamique moléculaire classique.
Pour soutenir ces simulations, des données expérimentales pourront être fournies par des laboratoires tels que le Laboratoire des Procédés Supercritiques et de Décontamination (LPSD) et le Laboratoire de Formulation et Caractérisation des Matériaux minéraux (LFCM). Les résultats obtenus seront examinés lors de réunions d'avancement et feront l'objet de publications scientifiques.
En résumé, ce contrat post-doctoral vise à coupler des approches théoriques à l’expérience. La compréhension des interactions au sein de ces matériaux à l’échelle moléculaire est essentielle afin d’apporter des éléments de compréhension et améliorer les procédés actuellement en cours d’étude.

Apprentissage de règles causales

Dans le cadre d’un projet qui concerne la création de matériaux innovants, nous souhaitons renforcer notre plateforme dans sa capacité à apprendre à partir de peu de données expérimentales.
En particulier, nous souhaitons travailler dans un premier temps sur l’extraction de liens causaux entre les paramètres de fabrication et la propriété. L’extraction de causalité est un sujet de très grande importance en IA aujourd’hui et nous souhaitons adapter les approches existantes aux données expérimentales et leurs particularités afin de sélectionner les variables d’intérêt. Dans un second temps, nous nous intéresserons à partir de ces liens causaux, à leur caractérisation (inférence causale) par une approche à base de règles floues, c’est-à-dire que nous créerons des règles floues adapter à leur représentation.

IA générative pour l'ingénierie dirigiée par les modéles

L'IA générative et les grands modèles de langage (LLM), tels que Copilot et ChatGPT, peuvent compléter le code à partir de fragments initiaux écrits par un développeur. Ils sont intégrés dans des environnements de développement de logiciels tels que VS code. De nombreux articles analysent les avantages et les limites de ces approches pour la génération de code. Malgré quelques lacunes, le code produit est souvent correct et les résultats s'améliorent.

Cependant, une quantité étonnamment faible de travaux a été réalisée dans le contexte de la modélisation des logiciels. L'article de Cámara et al. conclut que si les performances des LLM actuels pour la modélisation de logiciels sont encore limitées (contrairement à la génération de code), il est nécessaire (contrairement à la génération de code) d'adapter nos pratiques d'ingénierie basées sur les modèles à ces nouveaux assistants et de les intégrer dans les méthodes et outils MBSE.

L'objectif de ce post-doc est d'explorer l'IA générative dans le contexte de la modélisation des systèmes et des outils associés. Par exemple, l'assistance de l'IA peut soutenir l'achèvement, la refactorisation et l'analyse (par exemple les modèles de conception identifiés ou les anti-modèles) au niveau du modèle. Les propositions sont discutées au sein de l'équipe et, dans un deuxième temps, le mécanisme est prototypé et évalué dans le contexte du modeleur UML open-source Papyrus.

Développement d'approches pour l'intelligence artificielle à base de bruit

Les approches actuelles de l'IA sont largement basées sur la multiplication matricielle. Dans le de ce projet postdoccadre toral, nous aimerions poser la question suivante : quelle est la prochaine étape ? Plus précisément, nous aimerions étudier si le bruit (stochastique) pourrait être la primitive computationnelle sur laquelle la nouvelle génération d'IA est construite. Nous répondrons à cette question en deux étapes. Tout d'abord, nous explorerons les théories concernant le rôle computationnel du bruit microscopique et au niveau du système dans les neurosciences, ainsi que la façon dont le bruit est de plus en plus exploité dans l'intelligence artificielle. Nous visons à établir des liens concrets entre ces deux domaines et, en particulier, nous explorerons la relation entre le bruit et la quantification de l'incertitude.
Sur cette base, le chercheur postdoctorant développera ensuite de nouveaux modèles qui exploitent le bruit pour effectuer des tâches cognitives, dont l'incertitude est une composante intrinsèque. Cela ne servira pas seulement comme une approche d'IA, mais aussi comme un outil informatique pour étudier la cognition chez les humains et aussi comme un modèle pour des zones spécifiques du cerveau connues pour participer à divers aspects de la cognition, de la perception à l’apprentissage, la prise de décision et la quantification de l'incertitude.
Les perspectives du projet postdoctoral devraient informer sur la manière dont l'imagerie IRMf et les enregistrements électrophysiologies invasifs et non invasifs peuvent être utilisés pour tester les théories de ce modèle. En outre, le candidat devra interagir avec d'autres activités du CEA liées au développement d'accélérateurs d'IA analogiques basés sur le bruit.

Eco-innovation de matériaux isolants par IA, pour la conception d'un futur câble à grande longévité, résilient, bio-sourcé et recyclable

Ce sujet s’inscrit dans un projet plus vaste à venir, pour la création, par IA, d’un nouveau câble électrique pour les futures centrales nucléaires, fiable et résilient ayant des capacités d’auto-réparation, notamment vis-à-vis de son vieillissement. L’objectif est de concevoir des câbles dont la durée de vie sera bien plus longue que les câbles existants dans un démarche d’éco-Innovation. Nous nous focalisons sur l’isolant de câble car c’est l’élément le plus critique pour l’application et le plus sensible au vieillissement. La solution actuelle est basée sur l’ajout d’additifs (antirads et antioxydants) dans cet isolant pour limiter les effets de l’irradiation et retarder au maximum son vieillissement. Mais il existe une autre solution qui n’a jamais encore été testée : les matériaux auto-réparant.
Le projet auquel est rattaché le sujet, a pour objectif la conception et la réalisation de plusieurs éprouvettes modèles d’isolant de câble adossé à des protocoles de caractérisation afin de vérifier le gain en terme de fiabilité et de résilience. Les résultats obtenus commenceront à alimenter une base de données de la future IA autour de la plate-forme Expressif, développée au CEA List, qui nous servira à concevoir le futur câble.

Stratégie de co-conception pour l'exploitation de la sparsité spatio-temporelle dans les modèles de réseaux de neurones à l'apprentissage/inférence

L'objectif du projet est d'identifier, d'analyser et d'évaluer les mécanismes de modulation de la sparsité spatio-temporel des fonctions d'activation afin de minimiser la charge de calcul du modèle NN de transformateur (apprentissage/inférence). Une approche combinée avec la quantification extrême sera également envisagée.
L'objectif est d'affiner conjointement une stratégie innovante pour évaluer les impacts et les gains potentiels de ces mécanismes sur l'exécution du modèle sous contraintes matérielles. En particulier, cette co-conception devrait également permettre de qualifier et d'exploiter une boucle de rétroaction bidirectionnelle entre un réseau neuronal ciblé et une instanciation matérielle afin d'obtenir le meilleur compromis (compacité/latence).

Hybridation de LLMs pour l’ingénierie des exigences

Le développement de systèmes physique ou numériques est un processus complexe mêlant des défis techniques et humains. La première étape consiste à donner corps aux idées en rédigeant des spécifications ou un cahier des charges du système en devenir. Généralement écrits en langage naturel par des analystes fonctionnels (business analysts), ces documents sont des pièces maîtresses qui lient toutes les parties prenantes pendant toute la durée du projet et facilite le partage et la compréhension de ce qu’il faut faire. L’ingénierie des exigences propose diverses techniques (revues, modélisation, formalisation, etc.) pour réguler ce processus et améliorer la qualité (cohérence, complétude, etc.) des exigences produites, dans le but de détecter et corriger les défauts avant même l’implémentation du système.
Dans le domaine de l’ingénierie des exigences, l’arrivée récente des réseaux de neurones à très grands modèles (LLM) a la capacité de « changer la donne » [4]. Nous proposons de soutenir le travail de l’analyste fonctionnel avec un outil qui facilite et fiabilise la rédaction du référentiel d'exigences. L’outil exploitera un agent conversationnel de type transformeur/LLM (tels que ChatGPT ou Lama) combiné à des méthodes rigoureuses d'analyse et de conseil. Il proposera des options de réécriture des exigences dans un format compatible avec les normes INCOSE ou EARS, analysera les résultats produits par le LLM, et fournira un audit de qualité des exigences.

Modélisation thermodynamique du revêtement protecteur pour des cellules d'électrolyse à oxyde solide

Dans la poursuite d'un avenir énergétique durable, les cellules d'électrolyse à oxyde solide (SOEC) sont une technologie très prometteuse pour produire de l'hydrogène décarboné par électrolyse de l'eau à haute température (entre 500 et 850°C). Bien qu'une température de fonctionnement élevée offre de nombreux avantages (haut rendement et bas coût), elle peut entraîner une dégradation des interconnecteurs. Des revêtements sont proposés pour améliorer les performances à long terme des interconnecteurs et réduire les problèmes de corrosion. L'objectif est de trouver les meilleurs candidats au revêtement avec une stabilité thermodynamique élevée, une conductivité électrique élevée et une faible diffusion des cations. Dans ce contexte, vous rejoindrez l'équipe LM2T au sein du projet DIADEM (https://www.diadem.cnrs.fr/2023/03/29/atherm_coat/) pour les matériaux innovants.
Votre rôle consistera à :
1)Effectuer des simulations thermodynamiques en utilisant la méthode CALPHAD et le logiciel Thermo-Calc pour prédire la gamme de stabilité d'un ensemble de candidats revêtements (par exemple, oxydes spinelles et pérovskites) et les réactions de décomposition possibles dans différentes conditions atmosphériques (température et pression partielle d'oxygène). Au cours de cette étape, le candidat effectuera également un examen critique des données thermodynamiques disponibles dans la littérature.
2)Coupler les informations obtenues à partir des calculs CALPHAD et des bases de données thermodynamiques pour estimer l'expansion thermique et la conductivité électrique des compositions les plus prometteuses.
Le candidat travaillera en étroite collaboration avec l'équipe expérimentale (ISAS/LECNA et UMR-IPV) produisant les revêtements afin de guider les futurs essais et d'adapter la méthode pour mieux répondre aux besoins de production à grande échelle.

Top