• Co-directeur de thèse :
  • Yaël Frégier (LML)
  • Adlane Sayede (UCCS)
  • Financement : ANR, Artois

L’intelligence artificielle (IA) et en particulier l’apprentissage automatique (ML) est une discipline prometteuse dans le domaine des sciences des matériaux. En effet, différentes propriétés physico-chimiques, pour des systèmes moléculaires et des composés cristallins, ont pu être prédites à l’aide de l’IA. De plus, cette dernière peut se révéler très utile pour la conception et la synthèse de nouveaux matériaux. Dans le cadre de la présente thèse, nous souhaitons développer des modèles d’IA pour la prédiction des propriétés électroniques (bande interdite, etc.) des électrodes semi-conductrices, dans l’optique de la conversion de l’énergie solaire. Dans un premier temps, nous nous intéresserons au problème de la recherche de nouvelles phases et compositions chimiques stables possédants des propriétés électroniques désirées. Traditionnellement, la théorie de la fonctionnelle de la densité (DFT) joue un rôle central dans la prédiction des compositions chimiquement pertinentes des matériaux. Cependant, cette méthode est coûteuse en temps machine et ne peut pas être utilisé pour tester un grand nombre de combinaisons d’atomes pour former un cristal. Plusieurs approches ML ont été suggérées pour faciliter la recherche de nouvelles compositions stables, parmi elles nous pouvons citer les réseaux antagonistes génératifs (GAN). Grâce à la grande quantité de données DFT, de haute qualité, disponibles (plus de 50 000 000 instances), les relations structure-propriété (bande interdite, par exemple) peuvent être utilisées comme données d’entrainement pour construire un modèle générique pour produire de nouvelles phases semi-conductrices pour la conversion de l’énergie solaire. Dans cette approche, les structures cristallines seront représentées à l’aide de la théorie des graphes au lieu de la représentation cristallographique usuelle. Dans cette théorie les atomes sont représentés par des nœuds et les liaisons entre les atomes d’un cristal par des arêtes. Le cristal ainsi représenté a l’avantage d’être fini et peut donc être manipulé plus facilement. Notre modèle ML se basera sur une variante du réseau de neurones convolutifs pour apprendre une représentation vectorielle des nœuds. Les GCN sont une généralisation des réseaux de neurones convolutifs (CNN).

Cette thèse s’inscrit dans le projet Vivah soutenu par l’université d’Artois dans le cadre de son domaine d’intérêt majeur “Intelligence Artificielle” et qui vise à développer des recherches interdisciplinaires autour de l’intelligence artificielle.