Thèse Dépôt Atomique en Couches Spatialisé Combinatoire Piloté par l'IA pour l'Optimisation Accélérée de Couches Minces Multicomposantes H/F - Université Grenoble Alpes

Établissement : Université Grenoble Alpes
École doctorale : I-MEP² - Ingénierie - Matériaux, Mécanique, Environnement, Energétique, Procédés, Production
Laboratoire de recherche : Laboratoire des matériaux et du génie physique
Direction de la thèse : David MUNOZ-ROJAS ORCID 0000000312340814
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-18T23:59:59

Le Spatial Atomic Layer Deposition (SALD) est une variante récente de l'ALD qui permet de déposer des couches minces fonctionnelles à des vitesses jusqu'à deux ordres de grandeur supérieures à celles de l'ALD conventionnel, y compris lorsque le procédé est réalisé à pression ambiante. De plus, le SALD peut être mis en oeuvre à l'air libre, c'est-à-dire sans nécessiter de chambre de dépôt, ce qui le rend compatible avec d'autres techniques de procédés en ligne, telles que la pulvérisation ou les procédés roll-to-roll.
Traditionnellement, l'optimisation du procédé de dépôt et des propriétés finales des matériaux repose sur une approche par essais-erreurs, impliquant le dépôt d'un échantillon pour chaque paramètre de dépôt modifié. Nous avons récemment démontré que, grâce à une conception appropriée des têtes SALD, il est possible de réaliser des dépôts combinatoires. Dans nos premiers résultats, un gradient d'épaisseur a été utilisé pour optimiser des structures métal-isolant-métal (MIM) et des cellules solaires à pérovskites hybrides, en collaboration avec l'Université de Waterloo. Nous développons actuellement cette approche en concevant de nouvelles têtes SALD permettant le dépôt de gradients de composition, et en construisant un système SALD automatisé afin d'assurer la reproductibilité. Ces travaux s'inscrivent dans le cadre du projet FASTNANO, au sein du PEPR Diademe. Toutefois, aucun financement spécifique n'est prévu dans ce projet pour la mise en oeuvre d'une assistance par intelligence artificielle (IA).
La thèse proposée impliquerait ainsi une collaboration avec le SIMAP afin d'appliquer l'IA pour accélérer davantage le procédé de dépôt de matériaux multicomposants, en utilisant notre système automatisé équipé de têtes combinatoires permettant le dépôt de gradients de composition. Les objectifs de la thèse sont de définir un cadre de modèles d'IA spécifiques au SALD, de manière à pouvoir les appliquer ultérieurement à différents matériaux. L'étude de cas retenue pour le développement portera sur le dépôt de couches minces de ZnO dopé (Al, Ga, etc.), en vue d'obtenir des électrodes transparentes présentant des propriétés optimales pour différentes applications.

Le LMGP est l'un des leaders mondiaux dans le développement, l'utilisation et la rationalisation de la technique SALD. L'activité dans ce domaine a débuté en 2015 lorsque le premier réacteur SALD artisanal a été développé au laboratoire. Depuis lors, l'équipe a apporté des contributions clés dans le domaine, telles que, l'évaluation de l'effet du traitement à l'air libre sur les propriétés des films déposés à travers le développement d'un nouveau modèle de conductivité pour les films minces semi-conducteurs. L'utilisation de l'impression 3D pour la fabrication de têtes de dépôt SALD, permet le dépôt sélectif et l'impression 3D de matériaux fonctionnels. Ces avancées ont été réalisées grâce à différents projets ANR, un projet ouvert FET et plusieurs projets locaux et régionaux. La thèse s'inscrit donc dans le cadre d'une activité consolidée et en expansion au sein du laboratoire fortement poussée par le PEPR Diadem. A ce jour, l'équipe SALD a eu plusieurs prix de meilleure thèse, et multiples conférences et séminaires invités. Ce projet permettra au LMGP de continuer à être un leader dans ce domaine et d'élargir ses possibilités de développer rapidement des nouveaux procédés et matériaux grâce à l'intelligence artificielle (IA), et donc de continuer à développer ou renforcer des collaborations.
Le SIMaP développe des compétences en IA et apprentissage automatique appliqués à la conception et à l'optimisation de matériaux. Dans le cadre de la chaire Machine Learning for Materials Design & Efficient Systems, co-pilotée par un chercheur du SIMaP, des approches avancées de machine learning sont élaborées pour décrire et classifier des structures atomiques, valider des potentiels interatomiques à faible coût de calcul, et explorer des espaces de conception multidimensionnels de matériaux en interaction avec la modélisation physique et expérimentale. De plus, des membres de l'équipe travaillent sur l'apprentissage automatique de propriétés thermodynamiques et d'équilibres de phases pour les alliages, contribuant à relier données expérimentales ou de simulations à des prédictions scientifiques. Ces actions s'insèrent dans des projets interdisciplinaires avec d'autres laboratoires spécialisés en sciences des données et IA et des partenaires industriels, renforçant les synergies entre science des matériaux et techniques d'intelligence artificielle pour accélérer l'innovation.

Dans ce travail, il y a trois objectifs principaux qui sont :
i) Développer un système automatisé SALD avec la possibilité de dépôt combinatoire (épaisseur, composition, etc) assisté par IA pour de développement accéléré de matériaux fonctionnelles
ii) Dépôt de couches conductrices transparentes à base de ZnO dopé avec des propriétés optimisés (morphologie, conductivité, transparence, haze factor, etc..) comme preuve de concept.
iii) Intégrer les couches optimisées dans des dispositifs fonctionnels, tels que cellules solaires grâce a nos collaborations avec INES et IPVF. Autres types de dispositif pourront être explorés par des collaborations à l'échelle locale, nationale et internationale.

Les principales méthodes qui seront employées dans le cadre de cette thèse reposent sur le coeur de métier du LMGP à savoir : le développement et la modification des réacteurs de dépôt SALD, les caractérisations structurales, optiques, électriques et mécaniques des films minces obtenus et une meilleure compréhension des procédés et des propriétés physiques des couches grâce à des modélisations (Computational Fluid Dynamics, COMSOL). Ce savoir-faire a déjà été mis en oeuvre dans le cadre du SALD et sur le type de couches minces que nous proposons. Ces méthodes pourront être développées en interne mais aussi grâce aux multiples collaborations qui ont été établies soit en France, soit à l'international. Par rapport a l'aspect IA, le savoir-faire dans le domaine du laboratoire SIMAP sera exploité pour développer les différents modèles IA et éventuellement un jumeau numérique de la SALD combinatoire au LMGP.

Les candidats devront avoir un Master en Sciences des Matériaux ou en physique, ou être ingénieurs avec un niveau équivalent, avec des bases de IA et programmation. Nous recherchons un(e) étudiant(e) très motivé(e) qui est intéressé(e) pour travailler dans un projet et environnement interdisciplinaire. Les qualités humaines, le dynamisme, la rigueur et les capacités de travail en équipe seront appréciées.