1 - Modélisation des défauts pour les propriétés électroniques et optiques
La présence de défauts dans les matériaux solides, qu’ils soient intrinsèques (lacunes, substitutions…) ou extrinsèques (dopants, interfaces…), influence fortement leurs propriétés électroniques et optiques. La modélisation de ces défauts est donc essentielle pour comprendre, prédire et optimiser les performances de dispositifs tels que les cellules photovoltaïques, les capteurs ou les matériaux pour l’optoélectronique.
Cette thématique de recherche repose sur des approches de chimie théorique et de physique des matériaux, combinant des calculs quantiques (DFT, GW, etc.) avec des outils spécifiques développés en interne, comme PyDEF pour l’analyse des énergies de formation de défauts et Hylight pour la simulation de spectres de luminescence en utilisant le couplage vibronique.
L’objectif est de relier la nature des défauts à leurs effets microscopiques et macroscopiques, en s’appuyant sur des cas concrets synthétisés au laboratoire en collaboration (Sb₂Se₃, CuInSe₂…). Ces travaux permettent d’établir des corrélations fines entre structure, défauts et propriétés, pour guider la conception de matériaux fonctionnels à haut rendement.
Domaines d’application : Photovoltaïque, Optoélectronique, Électronique des semi-conducteurs, Matériaux pour l’énergie, Capteurs optiques, Matériaux moléculaires fonctionnels, Détection et conversion de lumière.
Mots clés : Défauts cristallins, Théorie de la fonctionnelle de la densité (DFT), Propriétés électroniques, Spectroscopie optique, Formation de défauts, Modélisation multi-échelle, Matériaux semi-conducteurs, Photoluminescence, Matériaux émergents, Simulation ab initio, Lien structure-propriétés, Liaison chimique et indice de liaison.
Personnes impliquées : Stéphane Jobic, Camille Latouche
2 - Simulation des propriétés spectroscopiques de matériaux inorganiques et hybrides
La spectroscopie (optique, vibrationnelle, électronique…) est un outil clé pour caractériser les matériaux, mais son interprétation peut s’avérer complexe, notamment dans les systèmes inorganiques ou hybrides présentant des effets électroniques corrélés ou des couplages forts avec les vibrations.
La modélisation théorique permet de simuler ces spectres afin d’en proposer une lecture fine, d’en attribuer les bandes et de mieux comprendre les mécanismes sous-jacents. En s’appuyant sur des approches ab initio (DFT, TD-DFT, méthodes post-HF…), ces travaux visent à reproduire les signatures spectroscopiques expérimentales, à analyser l’origine des transitions et à prédire les effets de modifications structurales ou électroniques.
Ces recherches s’appliquent à des systèmes variés : complexes de métaux de transition, semi-conducteurs inorganiques, pérovskites hybrides ou matériaux à défauts.
Des outils développés en interne, comme Hylight, permettent de simuler des spectres résolus vibroniquement dans les solides. L’objectif est de mieux comprendre les liens entre structure, dynamique et réponse spectroscopique, pour orienter le développement de matériaux innovants.
Domaines d’applications : Spectroscopie optique (UV-Vis, IR, Raman…), Photophysique des matériaux, Chimie de coordination, Matériaux pour l’énergie (photovoltaïque, photocatalyse), Matériaux hybrides (organique-inorganique), Détection et capteurs, Matériaux pour l’éclairage ou l’affichage.
Mots clés : Défauts cristallins, Théorie de la fonctionnelle de la densité (DFT), TDDFT, Phosphorescence, Propriétés électroniques, Spectroscopie optique, Formation de défauts, Modélisation multi-échelle, Matériaux semi-conducteurs, Photoluminescence, Matériaux émergents, Simulation ab initio, Liaison chimique et indice de liaison, Lien structure-propriétés,
Personnes impliquées : Stéphane Jobic, Camille Latouche
3 - Design et synthèse accélérée de matériaux assistés par intelligence artificielle
L’émergence de l’intelligence artificielle (IA) ouvre de nouvelles perspectives pour accélérer la découverte, l’optimisation et la synthèse de matériaux aux propriétés ciblées. Cette sous-thématique de recherche vise à exploiter les techniques d’apprentissage automatique (machine learning) pour identifier de nouveaux composés (oxydes, chalcogénures, hybrides…) et optimiser à la fois leurs procédés de fabrication et leurs propriétés fonctionnelles (transport électronique, photoluminescence, réponse optique…).
L’équipe développe et applique des modèles variés, tels que les réseaux de neurones convolutifs (CNN), les forêts aléatoires (Random Forest), ou encore l’optimisation bayésienne, afin d’explorer efficacement l’espace des compositions et des conditions expérimentales. Ces approches sont étroitement couplées à des données issues d’expériences haut débit, notamment grâce à une plateforme robotisée de synthèse en solution mise en place dans le cadre du PEPR DIADEM (Hiway-2-Mat).
Un accent particulier est également mis sur l’identification automatique des phases à partir de données de diffraction des rayons X, y compris in situ, pour permettre un suivi en temps réel de la formation des phases cristallines et une meilleure compréhension des mécanismes de cristallisation.
En combinant exploration algorithmique, modélisation prédictive, analyse structurale automatisée et retour d’expérience expérimental, ces travaux permettent de guider la conception de matériaux innovants pour des applications variées.
Domaines d’application : Photoluminescence, Matériaux pour l’énergie, Thermoélectricité, Optique, Matériaux multifonctionnels émergents.
Mots clés : Apprentissage automatique, Nouveaux matériaux, Réseaux de neurones, Optimisation bayésienne, Synthèse haut débit, Découverte de matériaux, Modélisation prédictive, Intelligence artificielle, Chalcogénures / oxydes / hybrides, Plateformes robotisées, Identification automatique de phase, Diffraction des rayons X in situ, Cristallographie
Personnes impliquées : Romain Gautier, David Berthebaud, Olivier Hernandez
Projets de recherche en cours : ANR AI-Unclon, projet MADNESS du PEPR DIADEME, projet HIWAY2MAT du PEPR DIADEME, projet DREAM-BIO du PEPR DIADEME
Publications majeures :
- “Role of Hydrogen Bonding on the Design of New Hybrid Perovskites Unraveled by Machine Learning” R. Laref, F. Massuyeau, R. Gautier, Small, 20 (5), 2306481 (2024)
- “Perovskite or Not Perovskite? A Deep Learning Approach to Automatically Identify New Hybrid Perovskites from X‐ray Diffraction Patterns”, F. Massuyeau, T. Broux, F. Coulet, A. Demessence, A. Mesbah, R. Gautier, Advanced Materials 34, 41, 2203879 (2022)
- “Machine Learning Guided Design of Single–Phase Hybrid Lead Halide White Phosphors”, H. Yuan, L. Qi, M. Paris, F. Chen, Q. Shen, E. Faulques, F. Massuyeau, R. Gautier, Advanced Science, 19 (8), 2101407 (2021)
- “Machine Learning Identification of Experimental Conditions for the Synthesis of Single-Phase White Phosphors
- H. Yuan, R. Génois, E. Glais, F. Chen, Q. Shen, L. Zhang, E. Faulques, L. Qi, F. Massuyeau, R. Gautier, Matter, 12 (1), 3967-3976 (2021)
