Description de l'offre

Nous avons récemment montré que les simulations AIMD peuvent être accélérées d’un facteur 100 en utilisant un potentiel interatomique ajusté par apprentissage automatique (MLIP) [1–3]. Cet échantillonnage accéléré de la distribution canonique à l’équilibre peut être suivi de calculs d’énergie libre via une intégration thermodynamique [4]. Cette stratégie d’apprentissage 'à-la-volée' garantit une précision quasi équivalente à celle d’un calcul AIMD, et est désormais disponible dans le code Python MLACS, que nous développons et utilisons en production. Néanmoins, répéter de telles simulations des dizaines voire des centaines de fois pour échantillonner systématiquement un diagramme de phases reste extrêmement exigeant en termes de calculs, voire inenvisageable.
Au cours de ce projet postdoctoral, le.a candidat.e développera une stratégie d’échantillonnage optimale et automatisée. L’objectif est double : réduire le nombre de simulation...