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

Détail de l'offre

Informations générales

Entité de rattachement

La Direction des Applications Militaires (DAM) du CEA, au cœur des enjeux de la dissuasion nucléaire Française, cherche ses futurs talents. Organisme inclusif, le CEA est handi-accueillant : nos emplois sont ouverts à toutes et tous. Associer les forces et les compétences de chacun pour atteindre nos objectifs est l'une de nos valeurs partagée par nos 4 600 salariés, répartis sur 5 centres. Les 1 800 salariés du centre de Bruyères-le-Châtel, en Ile de France relèvent les défis scientifiques et technologiques au service de notre Sécurité Nationale. Le centre conçoit les charges nucléaires des armes de la dissuasion, garantit leur sécurité et leur fiabilité en s'appuyant sur le programme simulation. Il met son expertise technique au service des activités dans la lutte contre la prolifération nucléaire, le terrorisme et les alertes en cas de séisme ou de tsunami. Il assure l'ingénierie des infrastructures complexes de la DAM, de leur conception à leur démantèlement. Il co-développe avec Atos les supercalculateurs au meilleur niveau mondial, dont sont issus ceux du Très Grand Centre de Calcul du CEA, qu'il exploite pour ses missions Défense et gère au profit de la recherche. Enfin, il exploite les installations nécessaires au maintien en condition opérationnelle et à la conception des chaufferies nucléaires embarquées sur les sous-marin et les porte-avions.
Venez-vous investir et relever des défis avec des moyens technologiques d'exception!  

Référence

2025-37803-S1893  

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