Exploration de lapos;espace des configurations atomiques par IA générative pour la simulation des matériaux nucléaires chimiquement désordonnés

Candidater

Comment prédire les propriétés dapos;un matériau quand le nombre de configurations atomiques possibles dépasse 2^2500 ? Capos;est le verrou que nos équipes IRESNE (physique des combustibles nucléaires) et LIST (IA) viennent de lever avec PULSE, une méthode générative (VAE) publiée dans Nature Scientific Reports, qui réduit déjà le coût de calcul de plus de deux ordres de grandeur (22 282 h CPU ramenées à 85 h CPU sur un cas test). Sans équivalent connu dans la littérature internationale, PULSE positionne le CEA en pionnier sur lapos;échantillonnage génératif de lapos;espace des configurations des matériaux à désordre chimique. Ce postdoc de 24 mois vous donne lapos;opportunité de porter cette méthode vers sa prochaine génération, en pilotant trois axes ambitieux, menés en parallèle : repousser la précision du modèle sur des systèmes de plusieurs milliers dapos;atomes grâce à une architecture IWAE ; lui donner la capacité de quantifier ses propres incertitudes, un prérequis pour toute utilisation en sûreté nucléaire ; et, en deuxième année, vous attaquer à un axe exploratoire à haute valeur scientifique — généraliser PULSE à un espace latent continu, ouvrant la voie à son application à tout cristal ou alliage désordonné. Vous évoluerez au cœur dapos;un consortium interne au CEA associant deux expertises complémentaires (physique atomistique des combustibles nucléaires à IRESNE, IA générative de pointe au LIST), avec accès aux supercalculateurs du CEA, la liberté de publier dans des revues de premier plan, et la perspective de voir vos résultats alimenter directement les analyses de sûreté des réacteurs via la plateforme PLEIADES. Un poste taillé pour un profil curieux, qui veut allier recherche de pointe en IA générative et impact concret sur un enjeu stratégique pour lapos;énergie nucléaire.

Doctorat en physique, mathématiques appliquées ou informatique, avec expérience en modèles génératifs profonds (VAE, diffusion) et Python/PyTorch. Physicien·ne statisticien·ne bienvenu·e.

Médias associés

fr_FRFR

Contact us

We will reply as soon as possible...