Modélisation de La Diffusion Des Défauts

**Modélisation de la diffusion des défauts ponctuels par apprentissage automatique**:

- Réf **ABG-126078**
- Stage master 2 / Ingénieur- Durée 6 mois- Salaire net mensuel 600- 03/10/2024- CIRIMAT - Equipe MéMO- Lieu de travail- Toulouse Occitanie France- Champs scientifiques- Physique
- Chimie
- Matériaux
- Mots clés- physique du solide; modélisation; DFT; ML-
- 03/12/2024**Établissement recruteur**:
CIRIMAT (Centre Inter-universitaire de Recherche et d’Ingénierie des Matériaux, UMR 5085)

INP-ENSIACET, 4, allée Émile Monso BP44362 31030 Toulouse cedex 4 France

**Description**:
**Thématique**: physique, chimie, matériaux

**Mots clés**: physique du solide, modélisation, DFT**Description**:

- La modélisation des systèmes cristallins à l'aide de simulations atomistiques basées sur la théorie de la fonctionnelle de la densité (DFT) est aujourd'hui largement utilisée en physique des solides. D'une part, elle permet de comprendre et d'interpréter les observations expérimentales et, d'autre part, elle a un pouvoir prédictif avéré. Cependant, dans la majorité des travaux théoriques basés sur la DFT, les simulations sont effectuées à température nulle. Les résultats des simulations, tels que les énergies de formation, de migration et autres, sont ensuite utilisés de manière pragmatique dans des modèles thermodynamiques ou thermocinétiques pour prédire le comportement du système cristallin en température. Les effets implicites de la température sont alors négligés. Il est néanmoins possible d'intégrer certains de ces effets, soit en prenant explicitement en compte les effets entropiques configurationnels, vibrationnels et électroniques (en utilisant des quantités également calculées à 0 K), soit en adoptant l'approximation dite « quasi-harmonique », qui permet une correction énergétique de premier ordre. Ces dernières années, ces approches se sont révélées capables, dans de très nombreux cas, d'améliorer de manière significative notre compréhension des observations expérimentales (coefficients de diffusion, énergies de ségrégation, _etc._). Cependant, dans certains cas, ces approches ne permettent toujours pas de comprendre et de prédire correctement les propriétés des systèmes cristallins à haute température. Par exemple, les énergies de formation de lacunes de nombreux matériaux métalliques calculées par DFT à 0 K sont sous-estimées par rapport aux valeurs mesurées près du point de fusion. Seules les approches prenant en compte les effets anharmoniques en température du cristal permettent d'accéder aux différentes grandeurs physiques d'intérêt. Différentes approches ont été proposées pour prendre en compte explicitement ces effets anharmoniques, et donc les effets de température. Elles sont basées sur des simulations de dynamique moléculaire DFT. Pour des raisons de coût numérique, leur utilisation est limitée. Parallèlement, des approches classiques de simulations atomistiques basées sur des potentiels inter-atomiques obtenus par apprentissage automatique (MLIP) ont été développées. Ces simulations classiques, moins coûteuses numériquement, utilisent des MLIP optimisés sur des bases de données DFT. Elles sont alors aussi précises que le jeu de données d'optimisation, et permettent des simulations atomistiques beaucoup plus rapides que la DFT. Les effets de température deviennent également accessibles.L'objectif de ce stage est de tester la génération de ces MLIPs à partir de données DFT. L'objectif sera d'étudier la formation et la diffusion de défauts cristallins dans le titane à haute température. Nous testerons ces potentiels _machine learning_ sur le cas du titane.

**Profil**:
Nous recherchons une/un étudiant.e en physique, ayant de bonnes bases en physique des matériaux, physique du solide, mécanique quantique et ayant un goût prononcé pour les simulations et la modélisation.

**Prise de fonction**:

- 03/02/2025