Thèse Entraînement Concurrent de Potentiels Ml - Mm par -Learning et Échantillonnage Avancé pour les Systèmes Réactif H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble AlpesÉcole doctorale : CSV- Chimie et Sciences du VivantLaboratoire de recherche : Département de Chimie MoléculaireDirection de la thèse : Anne MILET ORCID 0000000214804451Début de la thèse : 2026-10-01Date limite de candidature : 2026-07-21T23:59:59Les potentiels interatomiques basés sur l'apprentissage automatique (MLIPs) ont profondément transformé la simulation moléculaire en offrant une précision proche de celle de la mécanique quantique pour le calcul des énergies et des forces, à un coût computationnel 10 000 fois inférieur. Toutefois, leur application à des systèmes de grande taille, hétérogènes et réactifs demeure limitée par la difficulté de constituer des jeux de données d'entraînement couvrant les évènements rares, ainsi que par l'incapacité des descripteurs locaux à représenter correctement les effets électrostatiques et de polarisation à longue portée induits par l'environnement. Cette thèse vise à développer et valider une modélisation multi-échelle, ML/MM permettant de surmonter ces limitations, en combinant une description par apprentissage automatique des régions réactives avec une représentation de type mécanique moléculaire pour l'environnement. L'approche reposera sur un entraînement concurrent des potentiels ML/MM s'appuyant sur des stratégies de -learning et des techniques d'échantillonnage avancé afin d'explorer efficacement les configurations réactives et d'améliorer la transférabilité des modèles. Une génération automatisée et adaptative des données sera intégrée afin d'affiner itérativement les potentiels au cours des simulations. Les développements méthodologiques seront implémentés au sein du cadre ArcaNN, avec pour objectif de fournir un workflow reproductible et opérationnel pour la construction, l'entraînement et l'utilisation de potentiels ML/MM. Une attention particulière sera portée à l'extension de ce cadre aux états excités, en collaboration avec des partenaires externes. Les méthodes développées seront appliquées à l'étude de l'ADN nucléosomal, un système biologiquement pertinent caractérisé par une réactivité complexe et des effets d'environnement importants. Dans son ensemble, cette thèse apportera de nouveaux outils méthodologiques à l'interface entre apprentissage automatique, chimie quantique et modélisation multi-échelle, ouvrant la voie à des simulations précises et efficaces de systèmes réactifs dans des environnements complexes.La modélisation des systèmes réactifs complexes constitue un défi central en chimie théorique et en biophysique moléculaire. De nombreux processus d'intérêt impliquent une région localisée chimiquement réactive fortement couplée à un environnement étendu et hétérogène. Cet environnement joue un rôle déterminant à travers des effets électrostatiques, de polarisation et d'organisation dynamique, influençant directement les mécanismes réactionnels, les énergies libres et les cinétiques associées. Les méthodes de chimie quantique offrent une description rigoureuse de ces phénomènes, mais leur coût computationnel limite leur application à des systèmes de taille et de durée restreintes. Les approches classiques permettent de traiter des environnements étendus, mais ne sont pas adaptées à la description de la rupture et de la formation de liaisons chimiques. Les schémas hybrides QM/MM atténuent partiellement ce compromis, au prix d'un coût encore élevé et d'un échantillonnage statistique limité. Les potentiels interatomiques basés sur l'apprentissage automatique offrent une alternative prometteuse, en reproduisant la précision ab initio à un coût fortement réduit. Leur application à des systèmes réactifs en environnement complexe reste toutefois freinée par la difficulté d'échantillonner des configurations rares et par la prise en compte limitée des interactions à longue portée. Les approches multiscalaires ML/MM, combinées à des stratégies de -learning et à des techniques d'échantillonnage avancé, ouvrent ainsi la voie à des simulations réactives précises et extensibles. Leur développement et leur application à des systèmes biologiques complexes, tels que l'ADN nucléosomal, constituent une étape clé vers une compréhension mécanistique approfondie de la réactivité en environnement réaliste.

La ou le candidat(e) est titulaire (ou en cours d'obtention) d'un diplôme de Master en chimie théorique et/ou computationnelle, en chimie physique ou organique, ou dans un domaine étroitement apparenté, et possède de bonnes bases en DFT, mécanismes réactionnels et simulation moléculaire (dynamique moléculaire, avec des notions d'échantillonnage avancé appréciées). La ou le candidat(e) manifeste un intérêt ou dispose d'une expérience en apprentissage automatique appliqué à la modélisation moléculaire (par exemple, potentiels d'apprentissage automatique / réseaux de neurones), possède des compétences ou un intérêt marqué pour la programmation, et est capable de travailler et de communiquer efficacement dans un environnement de recherche collaboratif.