Chercheur en Modélisation Mathématique Multi-échelle Augmentée Par L'ia

Pour ce projet, le chercheur contractuel pourra combiner une veille technologique approfondie avec le développement de modèles mathématiques robustes et fiables dans l’objectif de mener une activité de recherche consacrée à l’optimisation des performances des batteries.

**Mission**

La personne recrutée contribuera à la modélisation mathématique multi-échelle augmentée par l’IA pour le stockage d’énergie.

**Activités**
- Caractériser finement les phénomènes électrochimiques, thermiques et mécaniques qui gouvernent la dégradation et le rendement énergétique
- Élaborer des équations différentielles et des approches statistiques capables de les décrire avec précision
- Formuler, à partir de ces modèles, des algorithmes d’optimisation qui orientent aussi bien la conception de nouveaux matériaux actifs que les stratégies de gestion électronique
- Assurer une veille technologique approfondie
- Rédiger des publications scientifiques et présenter les résultats.

**Contexte**

La recherche visant à maximiser les performances des batteries Li-ion se concentre aujourd’hui sur des processus complexes, couplés et résolus dans le temps, tels que les réactions de surface. À l’échelle du dispositif, des approches guidées par les données sont mises à profit pour prédire l’état de santé d’une batterie à partir d’un large éventail d’observables, l’objectif étant d’élaborer des protocoles de charge qui optimisent sa durée de vie. Toutefois, les modèles actuels souffrent de la rareté des données disponibles. Le stockage de l’énergie - battreies Li-ion, supercondensateurs ou systèmes à hydrogène - implique en outre des phénomènes physiques et chimiques fluctuants sous l’effet de la température, des variations de charge et des hétérogénéités microscopiques. Pour capturer ces incertitudes et prédire de façon réaliste l’évolution de l’état de charge, de la dégradation ou de la formation de phases instables, nous recourons aux équations différentielles stochastiques (EDS). Ces dernières ajoutent un terme aléatoire aux équations déterministes classiques, modélisant ainsi les fluctuations thermiques et matériaux. Les EDS permettent de quantifier la probabilité d’événements rares - croissance de dendrites ou emballement thermique - et d’optimiser les protocoles de charge en tenant compte des risques, offrant un cadre mathématique robuste pour concevoir des dispositifs de stockage plus sûrs et plus durables. Enfin, entre ces deux échelles, les expériences in situ fournissent des informations cruciales sur l’état de santé de batteries modèles. La masse de données ainsi générée constitue une opportunité d’appliquer des approches d’IA, notamment des modèles génératifs couplés à des contraintes physiques, afin de produire de nouvelles données pour des chimies plus difficiles à explorer expérimentalement. En unissant ainsi l’IA, les simulations atomistiques accélérées et les EDS dans un cadre multi-échelle, nous offrons une vision intégrée, physique et probabiliste du stockage électrochimique - une démarche essentielle pour allonger la durée de vie des dispositifs, développer de nouveaux matériaux et sécuriser l’énergie de demain.

**Informations complémentaires**:
**Type de contrat et dates prévisionnelles de recrutement**

Contrat à durée déterminée - durée prévue de 24 mois - à pourvoir dès que possible et jusqu’au 31/12/2029 au plus tard

**Salaire mensuel brut**

Selon expérience et financement

**Volume horaire**

1 607 heures/an

**Environnement et contexte de travail**

La personne recrutée exercera son activité au sein du Laboratoire de Mathématiques Appliquées LMAC/GI et viendra renforcer l’équipe dans ses activités de recherche et de développement dans un environnement scientifique stimulant et interdisciplinaire. L’équipe de recherche, impliquée dans plusieurs projets nationaux, offre un cadre propice à la valorisation scientifique.

La personne recrutée rend compte au responsable UTC du projet et entretient un dialogue régulier avec celui-ci et l’ensemble des interlocuteurs concernés.

Ce recrutement bénéficie d’un financement de l’Agence Nationale de la Recherche (ANR).

**Diplôme, formation et habilitation**

Diplôme : doctorat

Domaine de formation : mathématiques appliquées.

**Connaissances et compétences opérationnelles**

Problèmes d’apprentissage automatique

Analyse fonctionnelle

Equations différentielles partielles

Statistiques mathématiques

Maitrise de Python.