Thèse Analyse et Design de Nanoparticules et Nanocomposites par Intelligence Artificielle H/F

Doctorat.Gouv.Fr

Établissement : Université de Toulouse École doctorale : SDM - SCIENCES DE LA MATIERE - Toulouse Laboratoire de recherche : SOFTMAT - Chimie des colloïdes, polymères & assemblages complexes Direction de la thèse : Jean-Daniel MARTY ORCID 0000000176318865 Début de la thèse : 2026-10-19 Date limite de candidature : 2026-07-15T23:59:59 Notre projet vise à développer une approche intégrée combinant science des matériaux,
traitement d'images et apprentissage automatique afin de proposer des protocoles prédictifs de synthèse. Il s'inscrit dans l'axe transversal « Apport de l'IA comme support
méthodologique » du laboratoire commun de recherche IRVing(s). L'originalité repose sur la mise en place d'un jumeau numérique capable de proposer des conditions expérimentales optimisées à partir de bases de données enrichies.

Ce projet est structuré en quatre axes : (i) construction de bases de données expérimentales et bibliographiques, (ii) traitement automatisé d'images TEM, (iii) développement de modèles prédictifs reliant synthèse et propriétés, et (iv) validation expérimentale avec boucle d'optimisation.
Le contrôle des propriétés des nanoparticules (NP) repose sur des procédés de synthèse
complexes impliquant de nombreux paramètres interdépendants ce qui limite la compréhension des mécanismes de croissance et ralentit le développement de matériaux à propriétés ciblées. Dans ce contexte, l'utilisation d'outils statistiques tels que l'intelligence artificielle (IA) constitue une opportunité majeure pour établir des corrélations entre conditions de synthèse, structure et propriétés. L'objectif de ce travail de thèse est de développer un cadre méthodologique permettant de
prédire des protocoles de synthèse à partir de propriétés cibles en utilisant des nanoparticules Ni-Cu comme système modèle.
L'objectif de ce travail de thèse est de développer un cadre méthodologique permettant de
prédire des protocoles de synthèse à partir de propriétés cibles en utilisant des nanoparticules Ni-Cu comme système modèle.
Le projet s'articule en quatre volets complémentaires:
WP1 - Génération et structuration des données - mois 1 à 6. Créer une base de données homogène et exploitable en combinant données expérimentales et sources existantes avec structuration des métadonnées.
Livrable : lever le manque de données standardisées et les biais de publication.


WP2 - Extraction automatique et traitement d'images - mois 1 à 18. Automatiser l'analyse morphologique des nanoparticules via détection d'images TEM, extraction des conditions expérimentales et segmentation deep learning.
Livrable : base d'images annotées et outils d'analyse automatisée.

WP3 - Modélisation et apprentissage- mois 12 à 24
Relier paramètres de synthèse et propriétés des NP à travers des analyses multivariées,[4-5] construction de descripteurs physico-chimiques et modèles de machine learning interprétables.
Livrable : modèles prédictifs robustes et explicables.

WP4 - Prédiction et validation expérimentale- mois 24 à 36
Tester et valider les protocoles optimisés par IA via des synthèses expérimentales et comparaison prédiction/expérience avec boucle d'amélioration itérative pour affiner les modèles.