Modélisation multi-échelle et apprentissage automatique pour les interfaces vitrimères auto-cicatrisantes dans le photovoltaïque émergent

Date limite de candidature: Mardi 21 juillet 2026

 

• Date : Octobre 2026

• Durée : 3 ans

• Laboratoires hôtes : Laboratoire de Physicochimie des Polymères et Interfaces (LPPI, CY Cergy Paris Université, Cergy - FRANCE)

• Thème scientifique (Champs disciplinaires) :Chimie-Physique Numérique, Physique des Matériaux et polymères

• Financement : projet ANR

Contexte

Le cœur de ce projet doctoral consiste à fournir une compréhension théorique approfondie des processus électroniques aux interfaces entre les pérovskites et les couches de transport de trous (HTL). Le travail s'articulera autour de la modélisation des mécanismes d'auto-cicatrisation de vitrimères de type vinylogue uréthane (VUV), de l'optimisation de l'alignement des niveaux énergétiques à l'interface, ainsi que de la prédiction de leur stabilité morphologique.
Ce projet s'inscrit dans une approche de modélisation multi-échelle "bottom-up" combinant la mécanique quantique, la dynamique moléculaire classique et les potentiels d'apprentissage automatique afin de guider la conception de dispositifs photovoltaïques plus stables et durables.

Objectif de la thèse

Le/La doctorant(e) mettra en œuvre un protocole de modélisation multi-échelle étalé sur trois ans pour élucider le comportement physico-chimique de l'interface au cœur du projet.
La première année combinera l'étude de la structure électronique par théorie de la fonctionnelle de la densité (DFT) avec Gaussian 16 ou ORCA sur des dérivés de diphenylaminylcarbazole pour aligner les niveaux d'énergie, ainsi que la modélisation cinétique de la transamination associative sans catalyseur par recherche d'états de transition (TS) et calcul de l'énergie d'activation.
La deuxième année portera sur le changement d'échelle classique et l'apprentissage automatique, incluant la caractérisation thermodynamique (densité, température de transition vitreuse Tg via des champs de force classiques, l'entraînement de potentiels de réseaux de neurones profonds avec la suite DeepMD-kit/DP-GEN, et la modélisation de la passivation sur des super-cellules d'interfaces pérovskites (MAPbI3/FAPbI3) de 800 à 2500 atomes.
Enfin, la troisième année visera la simulation sous LAMMPS de la dynamique d'auto-cicatrisation à température opératoire (100°C) pour suivre la réparation des liaisons lors de contraintes mécaniques, complétée par un criblage virtuel à haut débit de 10 à 20 nouveaux blocs de construction pour optimiser la mobilité des charges et la robustesse mécanique avant une validation finale face aux données expérimentales.
Le/La candidat (e) sélectionné(e) aura accès à des ressources de calcul de premier plan sur les clusters HPC locaux et nationaux (architectures CPU/GPU à haute performance).
Intégré(e) au sein du LPPI (CYU), il/elle bénéficiera d'un environnement de recherche interdisciplinaire stimulant, au contact direct d'expérimentateurs et de théoriciens travaillant sur les technologies énergétiques de demain.

Profil du candidat

• Diplôme requis: Master 2 ou équivalent international (MSc), ou diplôme d'ingénieur en chimie numérique, physique des matériaux, science des polymères ou équivalent.
• Expérience pratique des outils de chimie quantique (DFT) et de dynamique moléculaire (Gaussian, ORCA, VASP, CP2K on LAMMPS).
• Fort intérêt ou maîtrise des langages de programmation (Python) et des environnements Linux/ HPC.
• Des notions en Machine Learning appliqué aux matériaux (DeepMD-kit, TensorFlow) constituent un atout majeur.
• Maîtrise de l'anglais scientifique (écrit et oral), rigueur dans la gestion des données massives et esprit collaboratif.

Personnes à contacter pour candidater : Envoyer CV + Lettre de motivation + Lettre de recommandation + Relevé de notes M1 et M2 (ou équivalent)

• Llinersy Uranga-Pina: llinersy.uranga-pina@cyu.fr