Thèse CD - Approche Hybride par Intelligence Artificielle et Modélisation Physique pour l'Analyse Ellipsométrique en Temps Réel de Matériaux Nanostructurés et Complexes H/F

Université de Lorraine

Établissement : Université de Lorraine
École doctorale : C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE
Laboratoire de recherche : Laboratoire de Chimie et Physique - Approche Multi-Echelle des Milieux Complexes
Direction de la thèse : Yann BATTIE ORCID 0000000324212684
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-05-15T23:59:59

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.

L'ellipsométrie spectroscopique est une technique optique non destructive de référence pour la caractérisation des films minces, des nanostructures et des matériaux fonctionnels complexes. Elle permet d'accéder à des paramètres clés tels que les indices optiques, les épaisseurs, les fonctions diélectriques ou les réponses plasmoniques, avec une grande sensibilité aux propriétés structurales et morphologiques. Cependant, l'analyse des données ellipsométriques repose traditionnellement sur des méthodes d'inversion basées sur des modèles physiques paramétrés et des algorithmes d'optimisation non linéaire. Ces approches deviennent particulièrement complexes, coûteuses en temps de calcul et sujettes à des ambiguïtés lorsqu'elles sont appliquées à des systèmes hétérogènes, anisotropes, chiraux ou multicouches.

Parallèlement, les avancées récentes en intelligence artificielle et en apprentissage automatique offrent de nouvelles perspectives pour l'analyse rapide de données optiques complexes. Les réseaux de neurones profonds ont démontré leur capacité à traiter efficacement des relations non linéaires et à automatiser l'extraction de paramètres à partir de grands ensembles de données. Appliquées à l'ellipsométrie, ces méthodes ouvrent la voie à des analyses quasi temps réel, particulièrement adaptées aux mesures in situ et operando.