Topic description
Les solvants jouent un rôle central en chimie en influençant profondément les mécanismes réactionnels, la thermodynamique et la cinétique. Ils peuvent stabiliser des intermédiaires réactifs, remodeler les états de transition et induire des effets dynamiques spécifiques tels que les liaisons hydrogène, les transferts de protons, l'organisation à l'interface ou encore l'influence de champs électriques. Malgré leur importance, les modèles à l'échelle moléculaire des effets de solvant restent limités, principalement en raison du coût computationnel très élevé des simulations réactives en phase condensée traitées explicitement au niveau quantique. De nombreux effets de solvant sont ainsi encore interprétés de manière empirique, et la compréhension mécanistique du contrôle exercé par le solvant demeure incomplète. Cette thèse vise à développer une nouvelle génération de modèles pour décrire l'influence des solvants sur la réactivité chimique en combinant chimie théorique et apprentissage automatique. L'objectif principal est de construire et de valider des potentiels interatomiques d'apprentissage automatique fondés sur des réseaux neuronaux (MLIPs) dans le logiciel ArcaNN, afin d'atteindre une précision proche du niveau quantique pour un coût de calcul considérablement réduit. Ces modèles permettront de réaliser des simulations de dynamique moléculaire réactive sur de longues échelles de temps, associées à des techniques d'échantillonnage avancées, dans des environnements solvants réalistes, donnant accès à des informations mécanistiques et cinétiques aujourd'hui hors de portée des méthodes ab initio classiques. Deux cas seront étudiés. La première porte sur l'accélération des réactions chimiques dans des microgouttelettes d'eau générées par électrospray, un phénomène d'intérêt croissant dans lequel les effets d'interface, les champs électriques intenses, les variations d'acidité, l'évaporation et la concentration des réactifs pourraient agir de manière coopérative. Des simulations réactives basées sur des MLIPs permettront d'analyser le rôle respectif des interfaces, des structures locales de solvatation et des effets dynamiques du solvant dans le contrôle de la réactivité. La seconde étude concerne la réaction de Morita–Baylis–Hillman, une réaction clé de formation de liaisons carbone–carbone, caractérisée par une cinétique particulièrement lente et un mécanisme encore débattu. Sa vitesse et son chemin réactionnel dépendent fortement de la nature du solvant (protique ou aprotique). Avec les MILPs, des simulations de dynamique moléculaire permettront d'explorer les surfaces d'énergie libre en solution, identifier les intermédiaires et états de transition pertinents, et quantifier l'influence de la solvatation sur le mécanisme. Au-delà de ces applications, le projet établira une approche de delta-learning visant à enrichir des champs de force classiques par des corrections issues de l'intelligence artificielle, construites à partir de données générées par les MLIPs. Cette stratégie permettra de concilier efficacité et précision, et d'ouvrir la voie à des modèles réactifs transférables pour des simulations à grande échelle.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Solvents play a central role in chemistry by profoundly influencing reaction mechanisms, thermodynamics, and kinetics. They can stabilize reactive intermediates, reshape transition states, and enable specific dynamic effects such as hydrogen bonding, proton transfer, interfacial organization, and electric-field-induced reactivity. Despite their importance, molecular-level models of solvent effects remain limited, largely because an explicit and accurate treatment of reactive condensed-phase environments with quantum chemistry is computationally prohibitive. As a result, many solvent effects are still interpreted empirically, and the mechanistic understanding of solvent-controlled reactivity remains incomplete. This PhD project aims to develop a new generation of predictive models for solvent effects on chemical reactivity by combining theoretical chemistry with state-of-the-art machine learning. The central objective is to construct and validate neural-network-based machine-learning interatomic potentials (MLIPs) within the ArcaNN framework, achieving near–quantum mechanical accuracy at a fraction of the computational cost. These MLIPs will enable long-time reactive molecular dynamics simulations and enhanced sampling in realistic solvent environments, opening access to mechanistic and kinetic information that is currently inaccessible with conventional ab initio methods. Two complementary chemical reactions will be investigated. The first concerns reaction acceleration in electrospray-generated water droplets, a phenomenon of growing interest where interfacial effects, strong electric fields, altered acidity, evaporation-driven concentration, and enhanced diffusion may act cooperatively to dramatically increase reaction rates. By performing reactive simulations of droplets with MLIPs, the project will dissect the respective roles of interfaces, local solvation structures, and dynamic solvent effects in controlling reactivity. The second case study focuses on the Morita–Baylis–Hillman reaction, a synthetically important carbon–carbon bond-forming reaction known for its unusually slow kinetics and mechanistic complexity. Its rate and pathway are strongly dependent on solvent class (protic versus aprotic), yet the origin of this solvent control remains debated. Neural-network-driven simulations will be used to explore solvent-dependent free-energy surfaces, identify key intermediates and transition states, and quantify how specific solvation patterns modulate the reaction mechanism. Beyond these applications, the project will establish a delta-learning strategy in which classical force fields are augmented by AI-based corrections derived from MLIP simulations. This approach will bridge the gap between efficiency and accuracy, enabling transferable reactive models suitable for large-scale simulations.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Public funding alone (i.e. government, region, European, international organization research grant)
Funding further details
Concours pour contrat doctoral
En cliquant sur "JE DÉPOSE MON CV", vous acceptez nos CGU et déclarez avoir pris connaissance de la politique de protection des données du site jobijoba.com.