Thèse Conception Prédictive de Matériaux Moléculaires Bistables par Descripteurs Cristallographiques et Apprentissage Automatique Supervisé H/F - Doctorat.Gouv.Fr

Établissement : Université de Rennes École doctorale : École doctorale Science de la Matière, des Molécules et Matériaux Laboratoire de recherche : INSTITUT DE PHYSIQUE DE RENNES Direction de la thèse : Laurent GUERIN ORCID 0000-0002-0509-8444 Date limite de candidature : 2026-06-30T00:00:00
Certains matériaux moléculaires peuvent basculer de manière réversible entre deux états électroniques sous l'effet de la température, de la pression ou de la lumière. Ces composés à transition de spin (SCO) et à transition de spin induite par transfert de charge (CTIST) sont des candidats sérieux pour des applications en mémoire moléculaire, capteurs et actionneurs. Pourtant, une question fondamentale reste ouverte : peut-on prédire, à partir de la seule structure cristalline, si un matériau va commuter et dans quelles conditions ? Ce projet de thèse construit un cadre prédictif quantitatif reliant descripteurs cristallographiques et propriétés de commutation macroscopiques (température de transition T½, largeur d'hystérésis TH) par apprentissage automatique supervisé. L'étudiant·e combinera diffraction des rayons X (laboratoire et grands instruments synchrotron) avec des modèles de ML (forêts aléatoires, réseaux de neurones sur graphes) dans une boucle itérative prédire-synthétiser-tester, en collaboration avec des partenaires au NIMS de Tsukuba et à l'Université de Tokyo.

L'étudiant·e bénéficiera des équipements de l'Institut de Physique de Rennes (IPR, UMR CNRS 6251) : diffractomètres monocristal à température variable, magnétomètre SQUID/VSM, accès aux lignes de lumière synchrotron (SOLEIL, ESRF) et XFEL (SPring-8). Le projet s'inscrit dans le cadre de la collaboration franco-japonaise PreDiSCo, en lien avec l'IRL LINK (CNRS-NIMS, Tsukuba) pour le développement des modèles ML et l'Université de Tokyo pour la synthèse et la caractérisation magnétique. L'étudiant·e effectuera des séjours de recherche au Japon (Tsukuba et Tokyo) au cours de la thèse. Le financement est assuré par un contrat doctoral de l'Université de Rennes (36 mois).

La conception rationnelle de matériaux bistables reste un défi majeur : les chimistes synthétisent aujourd'hui des milliers de composés de manière empirique, sans pouvoir anticiper leurs propriétés de commutation. Disposer d'un outil prédictif fiable transformerait profondément la façon dont ces matériaux sont découverts et optimisés, avec des retombées directes pour le stockage d'information, la réfrigération barocallorique et les capteurs intelligents. Au-delà du domaine SCO/CTIST, la méthodologie développée - base de données cristallographique ouverte couplée à des modèles ML interprétables - est transférable à d'autres familles de matériaux fonctionnels.