Post-doctorat - Diagramme de phases ab initio par inférence bayésienne - H/F

Job Description:

Description du poste

Domaine

Matériaux, physique du solide

Contrat

Post-doctorat

Intitulé de l'offre

Post-doctorat - Diagramme de phases ab initio par inférence bayésienne - H/F

Sujet de stage

Déterminer les propriétés d'un matériau en fonction de la température et de la pression constitue l'un des défis majeurs de la physique moderne. Dans ce contexte, les calculs ab initio jouent un rôle fondamental. Partant d'une description quantique de la structure électronique, ils permettent de caractériser la matière, y compris dans des conditions thermodynamiques extrêmes où aucune expérience n'est envisageable. Les simulations de dynamique moléculaire ab initio (AIMD) sont particulièrement adaptées pour prendre en compte les effets de température et de pression. Toutefois, ces simulations sont très coûteuses en ressources de calcul, ce qui limite leur utilisation à un nombre restreint de points thermodynamiques pour établir un diagramme de phase complet.

Durée du contrat (en mois)

2 ans + 2 x 1an renouvelables

Description de l'offre

Nous avons récemment montré que les simulations AIMD peuvent être accélérées d'un facteur 100 en utilisant un potentiel interatomique ajusté par apprentissage automatique (MLIP) [1-3]. Cet échantillonnage accéléré de la distribution canonique à l'équilibre peut être suivi de calculs d'énergie libre via une intégration thermodynamique [4]. Cette stratégie d'apprentissage 'à-la-volée' garantit une précision quasi équivalente à celle d'un calcul AIMD, et est désormais disponible dans le code Python MLACS, que nous développons et utilisons en production. Néanmoins, répéter de telles simulations des dizaines voire des centaines de fois pour échantillonner systématiquement un diagramme de phases reste extrêmement exigeant en termes de calculs, voire inenvisageable.
Au cours de ce projet postdoctoral, le.a candidat.e développera une stratégie d'échantillonnage optimale et automatisée. L'objectif est double : réduire le nombre de simulations MLACS nécessaires à la construction d'un diagramme de phases, et fournir une estimation de l'incertitude associée au diagramme obtenu. Il.elle s'appuiera sur des développements récents de la littérature [5, 6].

[1] A. Castellano, F. Bottin, J. Bouchet, A. Levitt, and G. Stoltz, Phys. Rev. B 106, L161110 (2022). // [2] A. Castellano, R. Béjaud, P. Richard, O. Nadeau, C. Duval, G. Geneste, G. Antonius, J. Bouchet, A. Levitt, G. Stoltz, and F. Bottin, Machine learning assisted canonical sampling (MLACS) (2024), arXiv:2412.15370 [cond-mat.mtrl-sci]. // [3] F. Bottin, R. Béjaud, B. Amadon, L. Baguet, M. Torrent, A. Castellano, and J. Bouchet, Phys. Rev. B 109, L060304 (2024). // [4] P. Richard, A. Castellano, R. B´ejaud, L. Baguet, J. Bouchet, G. Geneste, and F. Bottin, Phys. Rev. Lett. 131, 206101 (2023). // [5] V. Ladygin, I. Beniya, E. Makarov, and A. Shapeev, Phys. Rev. B 104, 104102 (2021). // [6] T. Miryashkin, O. Klimanova, V. Ladygin, and A. Shapeev, Phys. Rev. B 108, 174103 (2023).
Conformément aux engagements pris par le CEA en faveur de l'intégration des personnes handicapées, cet emploi est ouvert à toutes et à tous. Le CEA propose des aménagements et/ou des possibilités d'organisation pour l'inclusion des travailleurs handicapés.
Participant à la protection nationale, une enquête administrative est réalisée pour tous les collaborateurs du CEA afin d'assurer l'intégrité et la sécurité de la nation.

Profil du candidat

Post-doctorat

Localisation du poste

Site

DAM Île-de-France

Localisation du poste

France, Ile-de-France