Topic description
Le Laboratoire de Chimie Physique – Approche Multi-échelles des Milieux Complexes (LCP-A2MC) de Metz dispose d'une plateforme ellipsométrique de pointe permettant la caractérisation précise de matériaux complexes tels que les films minces, les nanostructures et les matériaux chiraux, en mesurant des propriétés optiques comme l'indice de réfraction, l'épaisseur, la rugosité, les fonctions diélectriques ou les réponses plasmoniques. Des études récentes menées par notre groupe ont démontré l'efficacité de l'utilisation de réseaux de neurones artificiels pour l'analyse rapide des données ellipsométriques, notamment dans la caractérisation de films nanocomposites. L'intégration de l'IA dans ce domaine offre des perspectives prometteuses pour l'automatisation et l'amélioration de la précision des analyses.
L'objectif de la thèse est de concevoir une approche hybride combinant intelligence
artificielle (IA) et modélisation physique afin de renforcer l'interprétation automatique des données issues de l'ellipsométrie spectroscopique. Cette approche reposera sur le
développement d'algorithmes d'apprentissage automatique, notamment des réseaux de
neurones profonds, capables d'analyser des données complexes tout en tenant compte des variations spectrales et angulaires inhérentes aux mesures. Ces modèles seront entraînés sur des bases de données mixtes, composées de spectres simulés et expérimentaux, puis couplés à des modèles physiques classiques (Cauchy, Tauc-Lorentz, Drude, EMA) afin de guider ou contraindre l'apprentissage et garantir la validité physique des prédictions. Une phase clé consistera à générer une base de données de simulations ellipsométriques, en explorant un large éventail de paramètres optiques, géométriques et matériaux, tout en incluant les effets d'anisotropie, de rugosité, de structuration chirale ou multicouche. Les modèles d'IA développés permettront ensuite d'automatiser la modélisation inverse, c'est-à-dire l'extraction rapide et fiable des paramètres caractéristiques des matériaux (indices optiques, épaisseurs, porosité, etc.) à partir de spectres mesurés, avec une évaluation comparative des performances par rapport aux méthodes traditionnelles d'ajustement non linéaire (par exemple, Levenberg–Marquardt). Cette méthodologie sera appliquée à la caractérisation en temps réel de matériaux nanostructurés et chiraux étudiés au sein du LCP-A2MC, et portera sur des systèmes variés tels que des films nanocomposites dopés, des couches chirales obtenues par GLAD, des matériaux bio-inspirés ou encore des structures plasmoniques. Cette méthodologie sera également appliquée à la caractérisation de la photoactivité de revêtements à propriétés photocatalytiques via le suivi in-situ et operando de la photooxydation de couches minces organiques. Une attention particulière sera portée à la validation expérimentale, en comparant les résultats issus de l'IA aux analyses traditionnelles pour en évaluer la robustesse, la précision et la capacité à détecter des caractéristiques subtiles, comme les singularités dans les spectres optiques. Enfin, les retours issus des modèles permettront d'optimiser les protocoles expérimentaux de synthèse des structures des matériaux et d'analyse, en adaptant les conditions de mesure pour maximiser la qualité des données acquises et améliorer la caractérisation globale des matériaux.
Le ou la candidat(e) devra être titulaire d'un Master 2 en physique, optique, ou intelligence artificielle appliquée aux sciences physiques. Une formation interdisciplinaire incluant le traitement de données, la modélisation physique et les méthodes numériques sera fortement valorisée. Le profil recherché combine une solide compréhension de l'optique et des matériaux, ainsi qu'un intérêt avéré pour l'intelligence artificielle appliquée. Des connaissances en modèles ellipsométriques seraient un plus, tout comme un goût prononcé pour l'expérimentation et la modélisation.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
The LCP-A2MC Laboratoir in Metz hosts a state-of-the-art ellipsometry platform enabling precise characterization of complex materials such as thin films, nanostructures, and chiral materials, through the measurement of optical properties including refractive index, thickness, roughness, dielectric functions, and plasmonic responses. Recent studies conducted by our group have demonstrated the efficiency of artificial neural networks for rapid ellipsometric data analysis, particularly in the characterization of nanocomposite films. The integration of artificial intelligence (AI) in this field offers promising perspectives for automation and improved accuracy of ellipsometric analyses.
The objective of this PhD project is to develop a hybrid approach combining artificial intelligence and physical modeling to enhance the automatic interpretation of spectroscopic ellipsometry data. This approach will rely on the development of machine learning algorithms, notably deep neural networks, capable of analyzing complex datasets while accounting for the spectral and angular variations inherent to ellipsometric measurements. These models will be trained using hybrid databases composed of simulated and experimental spectra, and will be coupled with classical physical models (Cauchy, Tauc–Lorentz, Drude, EMA) to guide or constrain the learning process and ensure the physical validity of the predictions.
A key phase of the project will involve the generation of a large database of ellipsometric simulations, exploring a wide range of optical, geometrical, and material parameters, including the effects of anisotropy, roughness, chiral structuring, and multilayer architectures. The developed AI models will enable the automation of inverse modeling, allowing fast and reliable extraction of material parameters (optical indices, thickness, porosity, etc.) from measured spectra, with a comparative evaluation of performance against traditional nonlinear fitting methods (e.g., Levenberg–Marquardt).
This methodology will be applied to the real-time characterization of nanostructured and chiral materials studied at LCP-A2MC, including doped nanocomposite films, chiral layers fabricated by GLAD, bio-inspired materials, and plasmonic structures. It will also be applied to the characterization of photoactivity in photocatalytic coatings through in-situ and operando monitoring of the photo-oxidation of organic thin films. Particular attention will be paid to experimental validation by comparing AI-based results with conventional analyses to assess robustness, accuracy, and sensitivity to subtle features such as optical spectral singularities. Finally, feedback from the models will be used to optimize experimental synthesis and measurement protocols, improving data quality and overall material characterization.
The candidate must hold a Master's degree in physics, optics, or artificial intelligence applied to physical sciences. An interdisciplinary background including data processing, physical modeling, and numerical methods will be highly valued. The ideal profile combines a strong understanding of optics and materials with a demonstrated interest in applied artificial intelligence. Knowledge of ellipsometric models would be an asset, as well as a strong motivation for experimentation and modeling.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
Début de la thèse : 01/10/
Funding category
Funding further details
Enseignement supérieur
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.