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.

Prédire de nouveaux matériaux magnétiques avec des propriétés spécifiques nécessite d’explorer de nombreux systèmes et si possible l’ensemble des composés possibles dans une famille de matériaux. Pour parvenir à cette fin, il est nécessaire de pouvoir évaluer les interactions magnétiques d’un composé en un temps très faible, au vol dans un calcul d’exploration de structures. Malheureusement le calcul de ces interactions nécessite l’utilisation de procédures coûteuses tant en temps humain qu’en temps de calcul. Il est donc nécessaire de changer de paradigme et d’utiliser des méthodes non-heuristiques comme les méthodes d’apprentissage automatique. En effet, le faible coût de calcul de ces méthodes, une fois la machine entraînée, permettent d’envisager de relever le défi de l’exploration automatique d’un ensemble de possibles.
Dans le domaine des matériaux magnétiques, les méthodes d’apprentissage automatique sont cependant très peu utilisées et essentiellement focalisées sur la détermination de températures de transition et de diagrammes de phases.

Dans ce projet nous proposons d’explorer ce nouveau champ de la science et d’élaborer une méthode d’apprentissage automatique pour prédire les propriétés magnétiques de réseaux organométalliques (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