Ce projet de thèse s’inscrit dans le cadre des recherches en cours sur les phénomènes de transport de charge dans les semi-conducteurs organiques (e.g. molécules, polymères), traitant spécifiquement de la description théorique et numérique du transport limité par le désordre, également à fort dopage. Le candidat consolidera et améliorera nos techniques basées sur la théorie de la localisation transitoire et les étendra aux propriétés thermoélectriques (coefficient de Seebeck). Ce travail est principalement basé sur des hamiltoniens modèles pour électrons interagissant sur un réseau. Ces etudes pourront être complétée par des simulations atomistiques ou “ab initio” de la dynamique du réseau associés aux vibrations moléculaires et aux interactions électroniques, dans le cadre d’une stratégie de modélisation multi-échelles. La recherche proposée est hautement interdisciplinaire (physique, science des matériaux, chimie); une interaction avec des collaborateurs expérimentaux est prévue.

Le candidat doit être titulaire d’un master en physique, chimie ou science des matériaux et avoir une formation solide en théorie de la physique de la matière condensée et/ou en physique chimique. Une expérience en programmation scientifique et en calcul de haute performance sera fortement appréciée. De fortes motivations et de bonnes capacités de communication en anglais sont nécessaires.

In order to predict new magnetic materials with desired properties on need to be able to scan large number of systems and if possible the whole set of possibilities in a given family of materials. To reach this goal one need to evaluate on-the-fly the magnetic interactions of any given system. The accurate calculation of the latter however presently requires time-consuming procedures. One thus need to change the methodology and use a non-heuristic approach such as machine learning methods. The low computational cost of these new “in silico” methods offers a way to meet the challenge of an “automated” exploration of the field of possibilities. In the field of magnetic materials, the use of deep learning methods is however quite uncommon and essentially focused on the determination of transition temperature, or phase diagrams and not on the determination of the magnetic interactions.

In this project, we propose to explore this new field by elaborating a machine learning methodology to predict the magnetic properties of metal-organic-frameworks (MOF).

The Condensed Matter Theory Group (I. Néel / CNRS) in Grenoble, France invites applications for a postdoctoral position in the theory of topological states of matter.  The position is oriented to develop theoretical modelling of ongoing experiments and devices in topological metals and insulators within the SCHINES collaboration (https://schines.cnrs.fr/).

Application Deadline : 10 December 2021