Thèse Modélisation par Intelligence Artificielle de l'Influence des Solvants sur la Réactivité Chimique H/F

Université Grenoble Alpes

Établissement : Université Grenoble Alpes
École doctorale : CSV- Chimie et Sciences du Vivant
Laboratoire de recherche : Département de Chimie Moléculaire
Direction de la thèse : Anne MILET ORCID 0000000214804451
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-09T23:59:59

Les solvants jouent un rôle central en chimie en influençant profondément les mécanismes réactionnels, la thermodynamique et la cinétique. Ils peuvent stabiliser des intermédiaires réactifs, remodeler les états de transition et induire des effets dynamiques spécifiques tels que les liaisons hydrogène, les transferts de protons, l'organisation à l'interface ou encore l'influence de champs électriques. Malgré leur importance, les modèles à l'échelle moléculaire des effets de solvant restent limités, principalement en raison du coût computationnel très élevé des simulations réactives en phase condensée traitées explicitement au niveau quantique. De nombreux effets de solvant sont ainsi encore interprétés de manière empirique, et la compréhension mécanistique du contrôle exercé par le solvant demeure incomplète. Cette thèse vise à développer une nouvelle génération de modèles pour décrire l'influence des solvants sur la réactivité chimique en combinant chimie théorique et apprentissage automatique. L'objectif principal est de construire et de valider des potentiels interatomiques d'apprentissage automatique fondés sur des réseaux neuronaux (MLIPs) dans le logiciel ArcaNN, afin d'atteindre une précision proche du niveau quantique pour un coût de calcul considérablement réduit. Ces modèles permettront de réaliser des simulations de dynamique moléculaire réactive sur de longues échelles de temps, associées à des techniques d'échantillonnage avancées, dans des environnements solvants réalistes, donnant accès à des informations mécanistiques et cinétiques aujourd'hui hors de portée des méthodes ab initio classiques. Deux cas seront étudiés. La première porte sur l'accélération des réactions chimiques dans des microgouttelettes d'eau générées par électrospray, un phénomène d'intérêt croissant dans lequel les effets d'interface, les champs électriques intenses, les variations d'acidité, l'évaporation et la concentration des réactifs pourraient agir de manière coopérative. Des simulations réactives basées sur des MLIPs permettront d'analyser le rôle respectif des interfaces, des structures locales de solvatation et des effets dynamiques du solvant dans le contrôle de la réactivité. La seconde étude concerne la réaction de Morita-Baylis-Hillman, une réaction clé de formation de liaisons carbone-carbone, caractérisée par une cinétique particulièrement lente et un mécanisme encore débattu. Sa vitesse et son chemin réactionnel dépendent fortement de la nature du solvant (protique ou aprotique). Avec les MILPs, des simulations de dynamique moléculaire permettront d'explorer les surfaces d'énergie libre en solution, identifier les intermédiaires et états de transition pertinents, et quantifier l'influence de la solvatation sur le mécanisme. Au-delà de ces applications, le projet établira une approche de delta-learning visant à enrichir des champs de force classiques par des corrections issues de l'intelligence artificielle, construites à partir de données générées par les MLIPs. Cette stratégie permettra de concilier efficacité et précision, et d'ouvrir la voie à des modèles réactifs transférables pour des simulations à grande échelle.

La majorité des réactions chimiques se déroulent en solution, où le solvant joue un rôle actif en influençant les mécanismes, les énergies et les cinétiques réactionnelles. Par des effets de stabilisation, de liaisons hydrogène, de transferts de protons, d'interactions électrostatiques ou encore d'organisation interfaciale, le solvant peut profondément modifier les chemins réactionnels et les vitesses de réaction. Cependant, la description moléculaire rigoureuse de ces effets reste un défi majeur. Les simulations quantiques explicites de systèmes réactifs en phase condensée sont extrêmement coûteuses, ce qui limite l'accès aux échelles de temps et de taille pertinentes pour une compréhension mécanistique complète. Les approches classiques ou implicites, bien que plus abordables, ne permettent pas de décrire correctement la rupture et la formation de liaisons ni les effets collectifs du solvant. Les récents développements en apprentissage automatique, et en particulier les potentiels interatomiques basés sur des réseaux de neurones, offrent une alternative prometteuse en combinant une précision proche du niveau quantique et un coût de calcul fortement réduit. Ils ouvrent ainsi la voie à des simulations réactives complètes en milieu condensé, capables d'ouvrir de nouvelles perspectives pour l'étude des effets de solvant sur la réactivité chimique.