Thèse Synthèse d'Oxydes à Haute Entropie H/F

Doctorat.Gouv.Fr

Établissement : Institut Polytechnique de Paris École polytechnique École doctorale : Ecole Doctorale de l'Institut Polytechnique de Paris Laboratoire de recherche : PMC - Laboratoire de Physique de la Matière Condensée Direction de la thèse : Thierry GACOIN ORCID 0000000167743181 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-22T23:59:59 La découverte de nouveaux matériaux aux propriétés intéressantes est traditionnellement guidée par l'intuition, les substitutions chimiques et des découvertes fortuites. Récemment, des géants technologiques tels que Google et Microsoft utilisent de grandes bases de données, l'apprentissage automatique génératif et des laboratoires autonomes afin d'accélérer ce processus. Cependant, la réalisation expérimentale des prédictions computationnelles échoue souvent, en partie parce que le désordre est omniprésent dans les matériaux réels [1]. Dans ce projet, l'objectif est de prédire par calcul des matériaux désordonnés et synthétisables, puis de vérifier expérimentalement ces prédictions. Les matériaux ciblés sont des oxydes à haute entropie (HEO) multivalents. Les HEO sont des oxydes fortement désordonnés mais cristallins, dans lesquels cinq cations ou plus partagent un même site cristallographique en proportions approximativement égales [2]. Des valences cationiques hétérogènes peuvent être réalisées dans les HEO tant que l'équilibre global des charges est respecté.

Au cours du travail, l'étudiant utilisera principalement des méthodes de synthèse à l'état solide pour étudier la formation de nouveaux matériaux ; des méthodes de synthèse en solution pourront également être employées. La méthode principale de caractérisation structurale et de confirmation de la nouvelle phase sera la diffraction des rayons X. Des méthodes de caractérisation supplémentaires, telles que des techniques basées sur le rayonnement synchrotron, des méthodes de microscopie électronique ou des mesures de propriétés physiques, pourront être réalisées selon le matériau étudié. Des méthodes computationnelles telles que la théorie de la fonctionnelle de la densité pourront également être utilisées afin de prédire la synthétisabilité ainsi que des propriétés collectives telles que les structures de bandes électroniques et phononiques. La découverte de nouveaux matériaux aux propriétés intéressantes est traditionnellement guidée par l'intuition, les substitutions chimiques et des découvertes fortuites. Récemment, des géants technologiques tels que Google et Microsoft utilisent de grandes bases de données, l'apprentissage automatique génératif et des laboratoires autonomes afin d'accélérer ce processus. Cependant, la réalisation expérimentale des prédictions computationnelles échoue souvent, en partie parce que le désordre est omniprésent dans les matériaux réels.