Thèse Pipeline Mace-Cs-Kan pour la Découverte de Lois Explicites dans la Catalyse Ptnife à Faible Teneur en Métaux du Groupe du Platine H/F - 75

Établissement : Université Paris-Saclay GS Chimie
École doctorale : Sciences Chimiques : Molécules, Matériaux, Instrumentation et Biosystèmes
Laboratoire de recherche : Institut de Chimie Physique
Direction de la thèse : Van Oanh NGUYEN THI ORCID 0000000170596696
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-03-31T23:59:59

Ce projet de thèse s'inscrit dans le cadre de la transition énergétique et vise à lever le verrou technologique lié au coût des catalyseurs pour la production d'hydrogène vert. L'objectif principal est de concevoir de nouveaux catalyseurs trimétalliques (PtNiFe) à très faible teneur en métaux précieux, en combinant la simulation moléculaire de haute précision et les avancées récentes de l'intelligence artificielle.

La méthodologie repose sur le développement d'un pipeline innovant intégrant trois technologies de pointe :

MACE (Machine Learning Interatomic Potentials) : Pour simuler les propriétés physico-chimiques des nanoparticules avec une précision proche de la théorie de la fonctionnelle de la densité (DFT), mais à un coût computationnel réduit.

Cuckoo Search (CS) : Pour explorer de manière optimale l'espace complexe des configurations atomiques et chimiques. Cet algorithme de recherche globale permet d'identifier les structures les plus stables et les plus performantes en naviguant efficacement dans le paysage énergétique des nanoparticules.

KAN (Kolmogorov-Arnold Networks) : Pour transformer ces données en lois physiques explicites et interprétables, permettant ainsi de comprendre les mécanismes fondamentaux de la catalyse.

L'enjeu final est de passer d'une approche par 'essais et erreurs' à une conception prédictive de matériaux, permettant d'optimiser les performances de la réaction d'évolution de l'hydrogène (HER) tout en réduisant drastiquement l'utilisation de platine. Ce travail interdisciplinaire se situe à la frontière entre la chimie computationnelle, la physique des matériaux et les sciences des données.

Voici une proposition pour la section « Contexte scientifique » de votre projet de thèse, rédigée en français pour votre dossier ADUM :
Contexte Scientifique : Vers une conception prédictive de catalyseurs bas-coût

Le développement d'une économie de l'hydrogène vert repose sur l'efficacité de la réaction d'évolution de l'hydrogène (HER). Actuellement, les métaux du groupe du platine (PGM) sont les catalyseurs les plus performants, mais leur rareté et leur coût élevé freinent le déploiement industriel de l'électrolyse de l'eau. Pour lever ce verrou, la recherche s'oriente vers des alliages trimétalliques, tels que le PtNiFe, qui permettent de réduire la charge en platine tout en exploitant des effets de synergie électronique et géométrique.

Cependant, la conception de ces nanoparticules se heurte à un espace de configuration quasi infini (combinaisons de tailles, de formes et d'arrangements chimiques). Les méthodes traditionnelles de simulation, comme la Théorie de la Fonctionnelle de la Densité (DFT), bien que précises, sont trop coûteuses en temps de calcul pour explorer cet espace de manière exhaustive. À l'inverse, l'intelligence artificielle classique agit souvent comme une 'boîte noire', prédisant des performances sans fournir la compréhension physique nécessaire aux chimistes.

Ce projet de thèse propose de transformer ce paradigme en combinant la simulation multi-échelle et l'IA interprétable. Le contexte scientifique s'articule autour de trois piliers technologiques :

Potentiels d'apprentissage automatique (MACE) : L'utilisation de tenseurs atomiques équivariants permet de reproduire la précision de la DFT sur des systèmes de grande taille (milliers d'atomes), rendant possible l'étude de nanoparticules réelles.

Optimisation Globale (Cuckoo Search) : Face à la complexité structurelle des alliages, l'algorithme de Cuckoo Search, basé sur des vols de Lévy, offre une stratégie d'exploration supérieure pour identifier les sites actifs et les structures de plus basse énergie.

Apprentissage Symbolique (KAN) : Au-delà de la simple prédiction, les réseaux de Kolmogorov-Arnold permettent d'extraire des expressions mathématiques explicites. L'enjeu est de découvrir des lois physiques fondamentales reliant la structure atomique à l'activité catalytique.

En résumé, ce projet se situe à la pointe de la chimie numérique et de la science des données, visant à passer d'une découverte de matériaux par essai-erreur à une ingénierie rationnelle et transparente des catalyseurs du futur.

The objectives of this Ph.D. thesis are centered on bridging the gap between high-fidelity atomic simulations and the practical design of low-cost, high-performance catalysts for green hydrogen production. The primary goal is to develop and implement a robust computational framework-the MACE-CS-KAN pipeline-to identify trimetallic PtNiFe nanoparticle configurations that minimize platinum usage while maximizing the efficiency of the Hydrogen Evolution Reaction (HER).

To achieve this, the research will first focus on leveraging MACE interatomic potentials to conduct large-scale, quantum-accurate simulations of complex trimetallic surfaces. A secondary objective is to employ the Cuckoo Search (CS) algorithm to navigate the immense structural and chemical configuration space, ensuring the identification of global energy minima and highly active catalytic sites that traditional methods might overlook. Finally, the project aims to utilize Kolmogorov-Arnold Networks (KAN) to extract symbolic, human-interpretable physical laws from the resulting data. This will shift the paradigm from black-box machine learning predictions toward a fundamental understanding of the 'structure-property' relationships, providing a predictive toolkit for the rational design of the next generation of sustainable energy materials.