Développement de photoréacteurs microfluidiques pour l’évaluation reproductible et quantitative de matériaux photoactifs, couplés à l’analyse en ligne par spectrométrie de masse et chromatographie en phase gazeuse
La mise au point de matériaux photoactifs performants (catalyseurs, semi-conducteurs, films sensibles) pour la conversion chimique sous irradiation lumineuse nécessite des méthodes d’évaluation à la fois précises, reproductibles et quantitatives. Les approches classiques en batch souffrent de limitations importantes : faible maîtrise du temps de séjour, gradients de température ou de lumière, faible surface spécifique exposée, et reproductibilité variable. Dans ce contexte, les photoréacteurs microfluidiques offrent une alternative prometteuse pour le criblage structuré et l’évaluation fine de matériaux photoactifs, notamment grâce à leur rapport surface/volume élevé, leur contrôle du débit et leur géométrie adaptable à diverses configurations d’irradiation.
Cette thèse, en lien avec le projet SUNRISE du PEPR LUMA, vise à concevoir, fabriquer et caractériser des microréacteurs photoniques spécifiquement adaptés à l’évaluation rigoureuse de matériaux photoactifs. L’objectif est de créer une plateforme capable de générer des données quantitatives et comparables sur les performances et la stabilité de ces matériaux, en conditions bien définies de débit, d’irradiation, et d’environnement réactionnel, puis de les coupler à des techniques analytiques de haut niveau (GC, MS) pour l’identification en ligne des produits générés.
Nous proposons de développer 4 axes au cours de ce projet de thèse : 1) développement, caractérisation et optimisation de la plateforme microfluidique pour la mesure en ligne de liquide et de gaz; 2) Mise en place de protocoles de dépôt des matériaux photoactifs 3) évaluation des performances photochimiques et validation du système avec des échantillons fournis (partenaires de SUNRISE) et sur la dégradation de polluant par photochimie (collaboration avec une thèse en cours au laboratoire) et 4) couplage du réacteur à des méthodes d’analyse en ligne (GC, MS).
Modèles de fondation multimodaux à grain fin et ancrés spatio-temporellement.
Ce projet de thèse porte sur l'amélioration des modèles multimodaux de grande taille (LMMs) par l’intégration d’informations fines et spatio-temporelles dans les ensembles de données d'entraînement. Bien que les modèles actuels tels que CLIP et Flamingo présentent de bonnes performances, ils s'appuient sur des paires image-texte bruitées et peu structurées, sans ancrage spatial ou temporel explicite. La thèse vise à développer des pipelines automatiques permettant d’enrichir les jeux de données avec des métadonnées géographiques et temporelles, à affiner les légendes par l’introduction de descripteurs sémantiques plus précis, et à réguler la diversité et la compacité des données par un contrôle du nombre d'exemples par classe.
Les stratégies d'entraînement exploiteront des hiérarchies de classes et adapteront les protocoles afin d'améliorer l’alignement entre les éléments des légendes et les régions d’image correspondantes. Le travail portera également sur des régimes d’entraînement conjoints intégrant simultanément les dimensions fine, spatiale et temporelle, ainsi que sur une phase d’inférence orientée vers la génération de contenus diversifiés en mode "ensemble". Le projet abordera également des enjeux liés à la qualité des métadonnées, à l’adaptation efficace des modèles, et à la conception de benchmarks adaptés à l’évaluation multi-dimensionnelle.
Les applications ciblées incluent la génération de données synthétiques pour la conduite autonome, l’annotation enrichie d’archives médiatiques via des légendes contextualisées, et une meilleure compréhension visuelle dans les environnements industriels simulés.
Caractérisation électrique et matériau approfondie d'espaceurs à faible constante diélectrique
Dans le cadre de l'European Chip Act, le CEA-Leti s'engage à façonner l'avenir de l'électronique en développant une nouvelle génération de transistors grâce à l'architecture FDSOI. Nous recherchons un(e) thésard(e) motivé(e) pour nous aider à relever des défis passionnants liés aux performances avancées de ces transistors. Vous aurez l'opportunité de participer à un projet de pointe axé sur le développement de matériaux innovants, avec l'ambition de créer une technologie de premier plan en matière d'efficacité énergétique.
Alors que nous repoussons les limites des transistors planaires à 10 nm et 7 nm, nous faisons face à d'importants défis physiques, en particulier la réduction des éléments parasites tels que la capacitance et la résistance d'accès, qui sont essentiels pour minimiser les pertes d'énergie et optimiser les performances. Le matériau isolant utilisé pour les espaceurs jouent ici un rôle clé sur ces performances et de nombreux candidats ont été proposés pour remplacer les solutions conventionnelles avec de plus faibles permittivités (SiN, SiCO, SiCON, SiCBN). Néanmoins leur intégration introduit également des défauts inhérents entrainant la capture de charges ou la présence d'états d'interface indésirables qui nuisent à la performance finale des transistors.
L'objectif de cette thèse est de mener une enquête approfondie et une caractérisation électrique (CV, IV, BTI, HCI, etc.) du matériaux d’espaceur (interface, volume), en fournissant une analyse détaillée des performances du transistor et de ses mécanismes sous-jacents. Une caractérisation innovante par mesure de stress CV ultra-rapide sur des échantillons diélectriques sera également réalisée et la corrélation entre la performance de piégeage et les paramètres de dépôt utilisés dans leur fabrication sera établie. De plus, le candidat collaborera étroitement avec des experts pour contribuer au développement du dépôt couches minces et à la caractérisation de nouveaux matériaux par analyse de surface et caractérisation des films minces (ellipsométrie, FTIR, XRR, XPS, etc.).
Tout au long de la thèse, vous acquerrez un large éventail de connaissances, couvrant les matériaux et processus de la microélectronique, la conception intégrée analogique, tout en relevant le défi unique de la technologie FDSOI avancée à 7-10 nm. Vous collaborerez avec des équipes pluridisciplinaires pour développer une compréhension approfondie des dispositifs FDSOI et analyserez les mesures existantes. Vous ferez également partie d'un laboratoire multidisciplinaire, travaillant aux côtés d'une équipe composée de plusieurs chercheurs permanents, explorant un large éventail d'applications de recherche.
Ce thèse offre l'opportunité unique de participer à un des projet phare et ambitieux du CEA-LETI. Si vous êtes curieux et avide de relever des défis, cette opportunité est faite pour vous !
Modélisation simplifiée de la calcination en tube tournant
Depuis le début de l’exploitation des chaînes de vitrification à La Hague en 1989, ORANO (ex AREVA) est confronté à des difficultés de pilotage du calcinateur. Les actions menées pour tenter de réduire significativement ces problèmes ont considérablement réduit ces difficultés sans toutefois les éliminer totalement. Les actions préconisées sont pour la plupart basées sur des avis d’expert, eux-mêmes basés sur des résultats d’essais en inactifs qui ne couvrent pas toutes les situations rencontrées par ORANO. Pour tenter de résoudre définitivement ces difficultés de pilotage, il a été décidé de lancer une étude plus théorique de modélisation, tout en étudiant en parallèle une nouvelle instrumentation de pilotage du calcinateur.
Dans le cadre du retraitement des combustibles usés de type uranium oxyde, les déchets liquides ultimes de haute activité sont conditionnées dans des verres par un procédé deux étapes, calcination puis vitrification. La calcination transforme progressivement le déchet liquide en un résidu sec, qui est mélangé à un verre préformé dans un four de fusion chauffé à environ 1100°C permettant l'élaboration du verre de confinement. Les gaz produits dans ces deux unités sont traités dans une unité spécifique, qui permet de recycler les aérosols générés dans le calcinateur.
Dans l’objectif d’améliorer la maîtrise du pilotage du calcinateur, il est proposé de le modéliser. Le calcinateur est constitué d’un tube tournant chauffé par un four à résistances à quatre zones indépendantes. Le solutions calcinées sont constituées d’acide nitrique et de composés sous leur forme nitrate ou d’insolubles sous forme d’alliages métalliques.
Microfluidique pour la détection biomimétique de pathogènes dans l’air
L’air représente une voie de contamination difficile à contrôler par laquelle de nombreux agents biologiques, biochimiques ou chimiques peuvent affecter les populations et le personnel soignant. Les approches de détection usuelles, qu’il s’agisse de qPCR, de tests antigéniques ou de tests ELISA, reposent toutes sur l’emploi de réactifs spécifiques aux agents recherchés. Ces approches sont par conséquent inadaptées pour détecter un pathogène inconnu dont pourrait résulter une nouvelle pandémie. Face à de tels agents inconnus, de nouveaux capteurs liés au vivant seront nécessaires pour distinguer ce qui peut être pathogène de ce qui ne devrait pas l’être. Et ceux-ci devront être miniatures pour être déployés.
La thèse proposée vise à explorer, au moyen d’un nouveau système microfluidique, des approches originales pour mener une telle détection sans a priori. En s’appuyant sur l’expérience et les développements du laboratoire, il s’agira notamment de :
- mettre au point de nouveaux matériaux et designs permettant d’optimiser et enchaîner les prélèvements de bioaérosols ;
- développer une biopuce biomimétique et optimiser les rencontres moléculaires au moyen de micro-écoulements pilotés à micro/milli échelles.
Vous concevrez ainsi une carte microfluidique intégrant de nouvelles stratégies de détection puis étudierez expérimentalement celles-ci en vous appuyant sur les prototypes développés au laboratoire.
Optimisation des transports dans les couches de diffusion gazeuse des piles à combustible à membrane échangeuse de protons : Intelligence artificielle comme support pour définir des structures poreuses et une utilisation optimales
La conception et la fabrication de matériaux innovants avec les propriétés requises est un objectif clé pour le développement des technologies avancées dans le domaine de l’énergie, telles que les piles à combustible hydrogène et alcaline et les électrolyseurs. Ces améliorations contribueront à proposer des systèmes d’énergie électrique encore plus attractifs, à faible teneur en carbone, avec une pollution réduite et des effets de serre.
Cette thèse porte sur la couche de diffusion gazeuse (GDL) qui joue un rôle crucial sur les performances et la durabilité des piles à combustible à membrane échangeuse de protons (PEMFC).
Votre objectif principal sera de mettre en place une approche numérique afin de proposer des structures poreuses améliorées pour optimiser les différents transports à l’intérieur d’une GDL, pour des objectifs et contraintes donnés. Pour ce faire, vous ferez le pont entre la modélisation avancée de transports (électriques, thermiques, liquides, gazeux) en 3D et l’intelligence artificielle. Vous analyserez ensuite l’influence des conditions d’exploitation sur ces structures optimales et proposerez des recommandations de conception.
Ce travail sera mené en étroite relation entre des acteurs scientifiques de renommée mondiale : les piles à combustible et les équipes de modélisation du CEA/LITEN (Grenoble), les spécialistes des transports en milieux poreux au CNRS/IMFT (Toulouse), et les spécialistes du GDL, modélisation et IA au FZJ (Juelich, https://www.fz-juelich.de/fr).
Des publications scientifiques sont attendues et des brevets pourraient également être proposés.
Accélération des calculs de densité électronique par apprentissage automatique
La théorie de la fonctionnelle de la densité dans le formalisme de Kohn-Sham (DFT) est l’une des méthodes les plus répandues pour simuler les propriétés microscopiques en physique et en chimie du solide. Son principal avantage réside dans sa capacité à trouver un équilibre favorable entre précision et coût de calcul. L’évolution continue des techniques numériques, de plus en plus efficaces, a constamment élargi la portée de son applicabilité.
Parmi ces techniques qui peuvent être associées à la DFT, l’apprentissage automatique est de plus en plus utilisé. Aujourd’hui, une application très répandue consiste à produire des potentiels capables de prédire les interactions entre les atomes en utilisant des modèles d’apprentissage supervisés, s’appuyant sur des propriétés produites en DFT.
L’objectif du projet proposé dans le cadre de cette thèse est d’utiliser les techniques d’apprentissage automatique à un niveau approfondi, notamment pour prédire la densité électronique dans les cristaux ou les molécules. Comparativement à la prédiction de propriétés telles que les forces entre atomes, calculer la densité électronique pose des difficultés : la densité électronique est de haute dimension puisqu’elle doit être calculée dans tout l’espace ; ses caractéristiques sont très variables d’un matériau à l’autre (métaux, isolants, transferts de charge…). Au final, cela peut représenter un coût de calcul non négligeable. Il existe plusieurs options pour réduire la dimensionnalité de la densité électronique, comme le calcul de projections ou l’utilisation de fonctions de localisation.
L’enjeu final de ce projet est de pouvoir prédire, avec la meilleure précision possible, la densité électronique, afin de l’utiliser comme base de prédiction ou point de départ pour des calculs de propriétés spécifiques aux électrons (magnétisme, structure de bandes, par exemple).
Dans un premier temps, le/la candidat·e pourra implémenter des méthodes récemment proposées dans la littérature ; dans une seconde partie de la thèse, il faudra proposer des idées nouvelles. Enfin, la méthode implémentée sera utilisée pour accélérer la prédiction de propriétés de systèmes de grande taille et impliquant des transferts de charge, comme la migration de défauts dans les cristaux.
Modélisation automatique de variations du langage pour des agents conversationnels socialement interactifs
Les agents conversationnels, de plus en plus présents autour de nous grâce aux avancées en traitement automatique du langage naturel et en intelligence artificielle, suscitent un intérêt croissant. Toutefois, leur capacité à comprendre la communication humaine dans toute sa complexité reste un défi. Cette thèse vise à modéliser les variations linguistiques pour développer des agents capables d’interactions socialement adaptées, prenant en compte le profil socio-démographique et l’état émotionnel des interlocuteurs. Elle s'intéresse également à l’évaluation de différents indices linguistiques, à l’exploitation des formes orales et écrites du langage, et à la généralisation des modèles à partir de données multilingues et multi-situationnelles afin de mieux modéliser les interactions avec les agents conversationnels.
Généralisation compositionnelle des modèles de langage multimodaux
L’avènement des modèles de fondation a permis d’améliorer les performances dans plusieurs domaines de l’IA, en particulier en vision par ordinateur et traitement du langage naturel. Cependant, malgré l’énorme quantité de données utilisées pour les entrainer, ces modèles sont encore limités dans leur capacité à généraliser, en particulier dans un domaine spécifique, mal représenté sur le Web. Une modélisation de ce problème est la généralisation compositionnelle, c’est-à-dire la capacité d’apprendre à démêler les concepts pendant l’entrainement et à les recombiner dans une composition inédite lors de la phase de production/test. La thèse abordera cette
question, en visant à proposer des représentations visuelles qui permettent aux grands modèles génériques de langage visuel de généraliser la composition dans des domaines spécifiques. Elle étudiera des stratégies visant à réduire l’apprentissage de "raccourcis" artificiels, en favorisant une compréhension plus profonde des structures de composition dans les données multimodales. Elle abordera également le problème de la généralisation de la composition au-delà des simples paires attribut-objet, en saisissant une sémantique plus subtile et plus complexe. La thèse proposée vise des avancées à un niveau assez amont, mais présente de nombreux intérêts pratiques potentiels dans les domaines de la santé, de l’administration et des services, de la sécurité et de la défense, de l’industrie manufacturière et de l’agriculture.
Vers une simulation temps réel des scènes thermiques dans un tokamak en support aux opérations plasma
Le contrôle des températures de surface et des flux de chaleur des parois des centrales de fusion nucléaire est essentiel pour le bon fonctionnement des machines de fusion. Pour fiabiliser ces mesures, notamment par imagerie infrarouge, le CEA développe un jumeau numérique capable de modéliser l'ensemble de la chaîne de mesure infrarouge (IR), de la source thermique au capteur.
L'objectif de cette thèse est de créer un modèle thermique permettant de prédire les flux de chaleur et les températures de surface sur l'ensemble des parois de la machine, avec une visée de calcul en temps réel. Cette approche repose sur deux développements clés :
1)Développement d'une méthode statistique de type Monte Carlo : cette méthode permettra de résoudre l'équation de la chaleur sur de grandes géométries dans un environnement complexe, incluant une diversité de sources de chaleur et de matériaux.
2)Accélération des calculs sur carte graphique (GPU) : Utilisation de l'environnement Kokkos pour optimiser les performances des calculs, tout en assurant la portabilité sur toutes les plateformes de calcul haute performance (HPC).
Ces développements seront validés et évalués quantitativement sur deux plateformes expérimentales: le banc de test en laboratoire MAGRYT et le tokamak WEST, utilisé comme machine démonstrateur. La thèse sera réalisée dans un cadre collaboratif entre le CEA/DRF/IRFM et le CEA/DES/ISAS. Les développements seront intégrés dans le jumeau numérique IR du CEA/IRFM pour les machines de fusion et dans une application dédiée au lancer de rayons pour le CEA/DES.