Thèse Apprentissage Actif Multimodal Explicable pour la Découverte des Mécanismes de Plasticité en Science des Matériaux H/F

Université de Lorraine

Établissement : Université de Lorraine
École doctorale : IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire de recherche : LORIA - Laboratoire Lorrain de Recherche en Informatique et ses Applications
Direction de la thèse : Baya Lydia BOUDJELOUD-ASSALA ORCID 0000000221088473
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-15T23:59:59

L'étude de la plasticité des matériaux a pour objectif de comprendre, prédire et contrôler la déformation irréversible des solides sous contrainte mécanique. Dans les matériaux métalliques, la déformation plastique résulte de mécanismes microstructuraux complexes impliquant des défauts cristallins et leur évolution sous contrainte, qui ne sont encore que partiellement pris en compte par les modèles constitutifs et les simulations numériques existants, en particulier dans les régimes de déformation locaux, multi-échelles ou non standard. Parallèlement, les simulateurs physiques de déformation [3] et de dommages s'appuient sur des lois simplifiées, tandis que les techniques expérimentales avancées génèrent des ensembles de données riches mais coûteux qui restent largement sous-exploités. Située à l'interface entre la science des matériaux et le ML, et en étroite collaboration avec le LEM3, cette thèse vise à exploiter ces données pour identifier et caractériser les mécanismes latents qui régissent la plasticité métallique, dans le but d'améliorer la compréhension physique et les performances prédictives.

La recherche en ML s'est longtemps concentrée sur l'amélioration des performances des modèles. Cependant, avec les récentes avancées en IA et son intégration dans des systèmes parfois critiques pour la sécurité, de nouveaux défis apparaissent. Une attention croissante est désormais accordée aux coûts écologiques, économiques et sociétaux de l'IA [2], ainsi qu'à la nécessité de disposer de modèles plus sobres et plus fiables. Pour les systèmes qui atteignent déjà des performances quasi optimales, il devient crucial de quantifier et de communiquer l'incertitude, en particulier pour les prédictions rares mais critiques, où une seule défaillance peut avoir des conséquences graves. Parallèlement, l'utilisation généralisée de modèles de type « boîte noire » soulève des questions de confiance et d'interprétabilité, en particulier lorsque les modèles font preuve d'une confiance excessive.

Tout au long du projet, la sobriété et la durabilité sont des préoccupations centrales. Des architectures légères, une sélection active des données et une compression des modèles seront utilisées pour réduire l'empreinte informatique et énergétique. Les résultats attendus comprennent l'amélioration des simulateurs physiques enrichis de nouveaux paramètres identifiés, une réduction significative des campagnes expérimentales grâce à l'acquisition ciblée de données et le développement d'un cadre d'IA robuste et explicable.
Au-delà de la science des matériaux, la méthodologie proposée est générique et transférable à de nombreux domaines d'application où l'acquisition de données est coûteuse et où la prise de décision tenant compte de l'incertitude est essentielle. En cas de succès, les travaux futurs viseront à appliquer ce cadre à la réduction des coûts sociaux et écologiques associés aux systèmes d'IA à grande échelle [7], ainsi qu'à la détection de maladies dans des environnements multimodaux coûteux, tels que l'acquisition d'EEG et d'IRM ou les cultures microbiologiques, où des stratégies d'apprentissage actives, explicables et efficaces en termes de données sont particulièrement pertinentes [1].

This PhD offer is provided by the ENACT AI Cluster and its partners. Findall ENACT PhD offers and actions on https://cluster-ia-enact.ai/

The scientific collaboration underpinning this PhD project originated within the framework of the ANR PRC MAMIENOVA project (ANR-05-NANO-0075), which fostered close interactions between data-driven methodologies and the physics of material deformation. This project enabled the establishment of strong and sustained links between the LORIA and LEM3 laboratories. The collaboration is already active and operational, notably through the involve-ment of a postdoctoral researcher currently working jointly between LORIA and LEM3, providing a solid interdisciplinary foundation for the proposed PhDwork.

LORIA (UMR 7503) - MosAIk team: The Laboratoire Lorrain de Recherche en Informatique et ses Applications is a CNRS/INRIA/Université de Lorraine laboratory, which conducts research in computer science and information and communication technologies.
The MosAIk team is a research team within Loria dedicated to the general field of artificial intelligence (AI). The MosAIk team is structured to reflect current developments in AI, which are diverse, constantly evolving, and require significant capabilities and resources, with research areas focusing on Knowledge representations and reasoning hybridAI, frugal AI, explainability and interpretability, NLP and LLM, distributed AI, and complex networks. Its goal is to develop new methods in AI that leverage this diversity and address concrete, current questions in order to tackle and advance research on fundamental aspects.

LEM3 - IMPACT axe MAPLI: The Laboratoire d'Études des Microstructures et de Mécaniques des Matériaux (LEM3) is a research laboratory dedicated to transdisciplinary experimental and theoretical studies at the interface of solid mechanics, metallurgy, materials science, chemistry, and physics. The laboratory addresses fundamental and applied questions related to the mechanical behavior of materials by explicitly linking microstructural features to macroscopic properties. For many years, LEM3 has contributed to advances in materials research through the development of original experimental devices and state-of-the-art characterization techniques based on electron microscopy enabling high-resolution investigations of microstructures and deformation mechanisms.

Le premier objectif scientifique est de développer des méthodes d'apprentissage actif multimodal [1] explicables et efficaces en termes de données afin de découvrir des paramètres physiques latents qui ne sont pas explicitement modélisés dans les simulateurs actuels, en comparant les prédictions simulées avec les observations expérimentales. Les stratégies d'apprentissage actif [4] guideront l'acquisition des échantillons expérimentaux les plus informatifs en combinant l'incertitude du modèle, l'écart entre le simulateur et la réalité et les connaissances expertes du LEM3, minimisant ainsi le coût expérimental.

Le deuxième objectif est d'explorer un paradigme de modélisation alternatif, sans simulation, dans lequel les modèles d'apprentissage automatique prédisent directement la déformation des matériaux au niveau de l'image. À partir d'une image microstructurale initiale et des conditions de charge, le modèle apprendra à prédire la microstructure déformée. Cette approche vise à saisir des phénomènes complexes et non modélisés tout en restant efficace sur le plan informatique, ce qui permet des prédictions rapides là où les simulations classiques par éléments finis sont trop coûteuses ou imprécises. Les architectures multimodales combineront des images, des métadonnées et éventuellement des résultats de simulateurs, tandis que des mécanismes XAI intégrés [5,6] permettront aux experts de valider les prédictions par rapport à leur intuition physique.

Apprentissage Actif, Explicabilité, Apprentissage multimodal, intégration connaissances expertes