Thèse Simulation Hybride par Apprentissage Automatique des Nanocomposites Polymères Ancrée sur des Jumeaux Numériques Atomistiques H/F - Doctorat.Gouv.Fr

Établissement : Université de Technologie de Compiègne École doctorale : Sciences pour l'ingénieur Laboratoire de recherche : Laboratoire de mathématiques appliquées de Compiègne Direction de la thèse : Salim BOUZEBDA ORCID 0000000178014945 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-01T23:59:59 Dans le domaine des matériaux nanostructurés, la conception prédictive se heurte à une difficulté fondamentale : les modèles ne connaissent que rarement la microstructure réelle qu'ils sont censés décrire. Celle-ci se forme lors de la fabrication, sous l'effet de la cinétique réactionnelle, du confinement et de l'auto-assemblage - des processus difficiles à observer et à contrôler. L'arrangement effectif des phases, des interfaces et des défauts est rarement mesuré, de sorte que la modélisation repose sur des substituts non vérifiés, incapables de représenter fidèlement le matériau réel. Combler cet écart exige d'ancrer les modèles dans la microstructure réelle, et non dans des hypothèses statistiques. Or, une reconstruction unique ne décrit qu'un seul matériau parmi une multitude ; atteindre un optimum suppose également d'explorer l'espace de structures environnant. Ce double besoin - reconstruction de référence absolue et exploration guidée - se pose pour toutes les classes de matériaux.
PolyTwin s'attaque à ce défi dans les polymères à travers deux sous-problèmes complémentaires. Sur le plan expérimental, il reconstruit des nanocomposites polymères à résolution atomistique à partir de la tomographie par sonde atomique - en surmontant la dégénérescence des fragments et la perte de connectivité - afin de retrouver les trajectoires authentiques des chaînes, l'organisation interfaciale et la distribution des charges. Sur le plan computationnel, il élabore un cadre multi-échelle résolu en structure, dans lequel les simulations atomistiques et mésoscopiques sont initialisées et validées par ces reconstructions plutôt que par des réseaux idéalisés, quantifiant ainsi la manière dont la conformation des chaînes, la topologie des enchevêtrements, la dispersion des charges et le compactage interfacial gouvernent les réponses macroscopiques - rigidité, dissipation viscoélastique, transport, endommagement et rupture.
Les deux sous-problèmes progressent en parallèle tout en s'alimentant mutuellement : la reconstruction fournit des jeux de données ancrés dans la réalité, tandis que la modélisation les transforme en substituts prédictifs - comblant ainsi le déficit de prédictibilité et substituant à l'approche par essais-erreurs une conception rationnelle résolue en structure. The predictive design of polymer nanocomposites requires efficient and physically faithful exploration of the configurational space defined by the chain architecture, entanglement topology, and NP organization. Conventional atomistic molecular dynamics (MD) [1,2] are dominated by nonbonded interactions, which scale quadratically with the system size and are the binding computational bottleneck. Machine-learning interatomic potentials [3-6] can, in principle, replace this evaluation at a fraction of the cost, but pure ML models trained on finite data are notoriously prone to drifting into non-physical regimes when extrapolating beyond their training distribution, producing simulations that are fast but unphysical. Two further obstacles compound the difficulty: (i) training data scarcity for real-material polymer nanocomposite configurations and (ii) the lack of a principled rule for deciding when an ML surrogate may be trusted versus when a conventional force field is required. Pillar II addresses these obstacles by developing a hybrid simulator in which bonded interactions retain their analytical force-field form [7,8] - guaranteeing physical stability, interpretability, and correct chain connectivity - while nonbonded interactions are evaluated by an ML surrogate trained on atomistic digital twins delivered by Pillar I [9,10]. An adaptive similarity-based switching rule ensures that the surrogate is used only where its training coverage justifies it. The local-environment descriptor [11,12] encodes the chemical identity, partial charges, and geometric organization of neighbors within a cutoff, preserving sensitivity to local structural variation and many-body effects while avoiding explicit pairwise summation. An equivariant message-passing architecture [4,5] is trained on an ensemble of atomic environments extracted from the Pillar-I digital twins to predict non-bonded energy contributions; uncertainty is quantified by ensembling and/or deep-kernel variance [13,14]. The trained surrogate is integrated with analytical bonded terms [7,8] inside an MD engine [2,15]. An adaptive switching rule operationalizes the framework: local environments are scored against the training-set distribution; above a calibrated similarity threshold, the surrogate provides the energy, and below it, the simulation falls back to conventional force-field evaluation. Validation requires agreement with full-atomistic reference calculations [16] on held-out configurations within the intrinsic variability of the atomistic baseline.

Master en mathématiques appliquées, mathématiques computationnelles ou modélisation
Solides bases en analyse numérique, optimisation
Maîtrise des méthodes probabilistes et statistiques (inférence bayésienne, processus gaussiens)
Connaissance des méthodes d'apprentissage automatique et de leur fondement mathématique (régression, réseaux de neurones, théorie de l'approximation)
Maîtrise de Python et/ou MATLAB ; connaissance de C/C++ appréciée
Bonnes capacités rédactionnelles en anglais scientifique
Rigueur analytique, autonomie et goût pour les problèmes à l'interface mathématiques-physique