Plasticité cristalline en dynamique moléculaire – Exploitation des données via le machine learning

Contexte :

Grâce aux nouvelles architectures des supercalculateurs, les simulations de dynamique moléculaire classique (DM) entreront bientôt dans le domaine du millier de milliard d’atomes, jamais atteint jusque là, devenant ainsi capables de représenter la plasticité des métaux à l’échelle du micron. Pour autant, de telles simulations génèrent une quantité considérable de données et la difficulté réside désormais dans leur exploitation, afin d’en extraire les ingrédients statistiques pertinents pour l’échelle de la plasticité « mésoscopique » (échelle des modèles continus). L’extraction de ces données peut se faire par des techniques d’analyse spécifique basées sur la caractérisation de l’environnement local, a posteriori ou in situ au cours de la simulation. Enfin, les outils du machine learning peuvent intervenir afin d’analyser la statistique obtenue et d’en extraire et synthétiser une description minimale de la plasticité pour les modèles aux échelles supérieures.

Objectif de la thèse :

Le premier objectif est de mettre en place un classifieur de défauts élémentaires à l’échelle atomique, dont l’encodage se fera en utilisant des descripteurs bien choisis, signant l’existence de la ligne de dislocation. La difficulté réside dans la détection de faibles déviations par rapport à un comportement moyen (outlier detection). En étendant cette définition aux anomalies de vitesses des atomes, nous pouvons également extraire la vitesse moyenne de cette ligne.
Le deuxième objectif concerne l’application des outils précédemment développés à des systèmes de grande taille. Les données devront être analysées afin d’extraire les dislocations à l’échelle du micron. La nature des connexions entre dislocations (jonction) sera particulièrement étudiée ainsi que les corrélations de positions entre groupes de dislocations dues aux champs à longue portée rayonnés par ces défauts.
Les informations obtenues serviront à alimenter un modèle phénoménologique de plasticité aux échelles supérieures. Cette modélisation pourra être comparée à une approche purement numérique basée sur des techniques d’apprentissage automatique. L’objectif final est de faire le lien entre une description atomistique de la plasticité obtenue grâce aux outils de machine learning / big data et une description plus mésoscopique reliée aux approches continues. Ce lien est le dernier chaînon manquant pour une description cohérente de la plasticité des métaux à toutes les échelles.

Déroulement de la thèse :

L’étudiant(e) effectuera dans un premier temps une revue bibliographique, puis prendra en main le code de DM développé au CEA. Il(elle) abordera ensuite la mise en place d’un classifieur de structures cristallines/défauts à l’aide du machine learning avant de l’intégrer dans le code afin d’effectuer ces analyses à la volée. Une réflexion sera ensuite engagée sur la suite de la chaîne de calcul, afin d’être en mesure d’obtenir une statistique directe de la plasticité à l’échelle microscopique, qui puisse être exploitée aux échelles supérieures.

DIRECTEUR DE THESE

Mihai-Cosmin MARINICA
cosmin.marinica@cea.fr

ECOLE DOCTORALE

ED 564
EDPIF – Physique en Ile de France
LPS Orsay bâtiment 510
Bureau 145
510 rue André Riviere
91400 Orsay

ENCADRANT

Paul LAFOURCADE
paul.lafourcade@cea.fr

CENTRE

DAM – Île-de-France
Bruyères-le-Châtel
91297 Arpajon
Tél. : 01-69-26-40-00