Site emploiBienvenue

Le Laboratoire Interdisciplinaire de Physique (LIPhy – UMR5588 CNRS et UGA) regroupe environ 200 personnes. La physique y est abordée comme une méthode générale d’analyse des phénomènes complexes dans diverses disciplines. L’équipe «Physique Statistique et Modélisation» (PSM) utilise les outils de la physique statistique et des simulations numériques à différentes échelles pour étudier des problématiques allant de la modélisation à l’échelle moléculaire aux propriétés mécaniques et thermiques de matériaux mous désordonnés, en passant par divers aspects de la physique statistique des systèmes hors équilibre et des phénomènes collectifs.

liphy.univ-grenoble-alpes.fr/fr/recherche/equipes/psm

Le laboratoire 3SR regroupe 120 personnes menant des recherches de pointe en mécanique des solides dans les domaines du génie civil, des structures et matériaux pour les transports, l’industrie manufacturière ou la santé. L’équipe CoMHet développe une recherche interdisciplinaire centrée sur la physique et la mécanique des milieux hétérogènes et leurs couplages multi-physiques. L’objectif commun est de caractériser, comprendre et modéliser les liens entre la microstructure et les propriétés mécaniques macroscopiques d’une large gamme de
milieux poreux constitués de fibres, colloïdes, bio-polymères ou grains. 

3sr.univ-grenoble-alpes.fr/fr/recherche/equipe-comhet


Vous travaillerez sous la supervision de la Dr K. Martens au LIPhy et du Dr M. Bouzid au 3SR, en collaboration avec le Dr M. Ozawa. Vous serez initialement recruté au LIPhy, puis sera accueilli au 3SR en fonction de l’avancement du projet. Vous interagirez également avec des informaticiens d’EVIDEN (Dr L. Marradi) ainsi qu’avec le groupe expérimental du Prof. Dr Costantino Creton à l’ESPCI.

Les avancées récentes en intelligence artificielle (IA), telles que les réseaux de neurones graphiques (Graph Neural Networks – GNNs), les réseaux de neurones intégrant des lois physiques (Physics-Informed Neural Networks – PINNs) et l’IA explicable (Explainable AI – XAI), offrent de nouveaux outils pour étudier et prédire la dynamique d’endommagement. Ces méthodes ont déjà démontré leur potentiel pour les matériaux vitreux et pourraient de manière similaire permettre d’aborder la complexité des réseaux polymères, en établissant un lien entre les différentes échelles afin de concevoir plus efficacement ces matériaux.

• Prédire la dynamique d’endommagement : Analyser les structures de réseau statiques pour prédire les mécanismes d’endommagement sans recourir à des simulations de dynamique moléculaire (MD) coûteuses en calcul
• Optimiser la conception des réseaux : Utiliser les principes de la physique et les cadres d’IA pour favoriser la délocalisation de l’endommagement et la dissipation d’énergie, afin de retarder la rupture macroscopique
• Établir des liens structure–synthèse : Exploiter l’apprentissage automatique pour déduire des relations constitutives entre les paramètres de synthèse (par exemple, concentration de réticulants, fraction de polymère, réseaux interpénétrés) et les propriétés structurelles régissant le comportement d’endommagement
• Validation expérimentale : Collaborer avec des expérimentateurs utilisant des mécanophores – molécules qui émettent de la lumière lors de la rupture d’une liaison – intégrés dans des élastomères, pour valider expérimentalement les relations prédites par l’IA entre la synthèse et la délocalisation de l’endommagement
  
  

• Posséder une formation théorique et numérique en physique des polymères et/ou en physique de la matière molle, en apprentissage automatique ou en physique statistique, avec une forte motivation pour travailler à l’interface entre la physique et l’informatique
• Avoir des compétences spécifiques dans les outils numériques (PyTorch, Python, C++, LAMMPS) sera fortement appréciées
• Bonne capacité à interagir avec des informaticiens et des expérimentateurs
• Capacité à faire le lien entre les deux équipes
• Bonnes compétences en communication