H/F Offre de thèse synthèse de nanoparticules, microfluidique et IA

Paris (75000), Île-de-France 2 135 €/mois Temps-plein Mise à jour le 21 juillet 2024

Entreprise: CNRS

Fonctionnalisation de surface des nanoparticules

Caractérisation multi-échelle

Étude de leurs propriétés physico-chimiques et physiques

Élaborer une base de de données et un modèle prédictif en utilisant des algorithmes d'intelligence artificielle

Activités

Le/la doctorant(e) réalisera la synthèse multiparamétrique des nanostructures à base de magnésium et leur transfert dans l'eau ainsi que leur caractérisation en utilisant les différentes techniques de science des matériaux et de physico-chimie disponibles dans PHENIX. Il/elle collaborera étroitement avec le Prof. Isabelle Bloch (LIP6, SU), spécialiste reconnue en ML et AI, pour l'utilisation d'algorithmes comme nouvelles méthodologies pour l'identification rapide de nanostructures, la classification de données et l'élaboration de modèles prédictifs et leur validation.

Compétences

Nous recherchons un candidat très motivé, titulaire d'un master en nanochimie, chimie physique ou chimie colloïdale, motivé par la manipulation et l'expérimentation, et désireux de travailler avec des algorithmes d'intelligence artificielle. Des compétences en microfluidique et des connaissances en mathématiques sont un atout mais ne sont pas obligatoires. Un bon niveau d'anglais, parlé et écrit, est requis.

Contexte de travail

À ce jour, les nanomatériaux plasmoniques sont principalement fabriqués à partir d'éléments nobles (Au et Ag). Cependant, les métaux nobles sont confrontés à de nombreux défis sociétaux qui les placent au coeur de questions environnementales, économiques et géopolitiques. Le Mg est un élément abondant et durable dont on attend des propriétés optiques prometteuses (plasmoniques) à l'échelle nanométrique à l'état métallique. Cependant, sa nano-élaboration personnalisée par nano-chimie humide et ses propriétés plasmoniques restent à démontrer. Ce projet propose de tirer parti de la microfluidique automatisée couplée à la détection optique en ligne pour explorer l'impact d'un grand nombre de paramètres expérimentaux (chimiques, mélange, oxydation) sur les nanostructures métalliques de Mg obtenues. Des algorithmes d'intelligence artificielle et d'apprentissage automatique seront utilisés et développés pour aider au traitement rapide, à la corrélation des données générées et à l'élaboration de modèles prédictifs. Nous espérons établir, grâce à cette méthodologie, une relation claire entre les conditions expérimentales, la structure résultante des nanoparticules à l'échelle nanométrique et leurs propriétés optiques, et apporter à la communauté scientifique de nouvelles opportunités dans le domaine de la plasmonique basée sur les nanoparticules colloïdales métalliques de Mg et de la science des données basée sur les matériaux.

Informations complémentaires

La thèse est financée par la Mission pour les initiatives transversales et interdisciplinaires (MITI) du CNRS.