Modélisation multi-échelle des microstructures d'irradiation par approche data-driven (res24-08) h/f

Modélisation multi-échelle des microstructures d'irradiation par approche data-driven (RES24-08) H/F, Bouches-du-Rhone

Comprendre et modéliser l'évolution des composants métalliques sous irradiation est un défi crucial pour assurer la sûreté des installations nucléaires et prolonger leur durée de vie. Une approche courante repose sur des modèles physiques d'évolution microstructurale, tels que la dynamique d'amas, qui sont alimentés par des simulations atomistiques. Cette stratégie combine efficacement les vastes échelles de temps et de longueur accessibles aux modèles mésoscopiques avec la précision des simulations à l'échelle atomique.
Cependant, l'extraction d'informations à partir de simulations atomistiques constitue une étape limitante des schémas multi-échelles classiques. De nombreuses simulations atomistiques sont souvent nécessaires pour caractériser explicitement chaque mécanisme d'intérêt indépendamment, avant de transférer des quantités scalaires ou des paramètres d'intérêt, tels que les énergies de formation et de migration, au modèle à plus grande échelle. Ces paramètres, bien que difficiles et coûteux à obtenir y compris dans des systèmes relativement simples, peuvent omettre des mécanismes ou des couplages importants.
Des approches émergentes de simulation « basées sur les données» (data-driven) permettent d'accélérer considérablement le processus de transition d'échelle, en tirant parti de nouveaux outils pour extraire des informations de l'échelle atomique. Les approches modernes utilisant des représentations des arrangements atomiques par descripteurs atomiques tirent parti des méthodes d'apprentissage automatique pour mesurer la similarité des environnements atomiques, prédire l'évolution microstructurale, ou pour effectuer une analyse structurale performante. Les méthodes basées sur les descripteurs sont robustes, et plusieurs ordres de grandeur plus rapides que les réseaux de neurones comparables, ce qui les rend facilement déployables à grande échelle et de bons candidats pour le développement de modèles data-driven.
Le projet de post-doc vise à réduire considérablement le coût de la transition d'échelle, en construisant des simulations data-driven de l'évolution des microstructures, sans paramétrage manuel du modèle, tout en contrôlant l'incertitude associée. Les tâches clés comprendront la construction d'une base de données d'entraînement de microstructures d'irradiation à l'aide de simulations de dynamique moléculaire; la reformulation du concept classique d'amas atomique à l'aide de descripteurs atomiques; et le développement et la validation de modèles cinétiques.

Profil recherché

Les candidats motivés possédant de solides compétences en science des matériaux, simulation numérique et/ou apprentissage automatique, et qui souhaitent approfondir leur expertise dans ces domaines sont encouragés à postuler. Le profil recherché :

* être titulaire d'un doctorat en physique, science des matériaux ou domaine connexe, avec une solide formation en calcul/mathématiques,
* avoir de l'expérience avec les simulations atomistiques de matériaux, par ex. en utilisant LAMMPS.

Télétravail

Diversité

La diversité est une des composantes de la politique RSE, RH et Qualité de Vie au Travail à lASNR. Nous accordons la même considération à toutes les candidatures, sans discrimination, pour inclure tous les talents.

Quelles que soient les différences, nous souhaitons attirer, intégrer et fidéliser nos candidats et nos collaborateurs au sein dun environnement de travail inclusif.

L'IRSN conduit une politique active depuis de nombreuses années en faveur de l'égalité des chances au travail et l'emploi des personnes handicapées. Si vous êtes en situation de handicap, n'hésitez pas à nous faire part de vos éventuels besoins spécifiques afin que nous puissions les prendre en compte.

Localisation du poste

Localisation du poste

Europe, France, Provence-Cote d'Azur, Bouches du Rhône

#J-18808-Ljbffr