Résumés des mini-colloques > Modélisation de matériaux: de la structrue éléectronique au machine learning

Mini-colloque 3 – MC03

Modélisation des Matériaux: de la structure électronique au machine learning
Division de la Matière Condensée & Division Physique & Vivant
Chistine Goyhenex (IPCMS, Strasbourg), Hakim Amara (LEM,Châtillon), Guy Tréglia (CINaM, Marseille)

La modélisation est un outil essentiel à la conception et à la compréhension du comportement des matériaux technologiques complexes, en particulier quand leurs conditions d’utilisation rendent l’expérimentation délicate, comme par exemple dans le domaine du nucléaire. Les approches mises en oeuvre sont à la fois multi-modèles (physique, chimie, mécanique, …) et multi-échelle puisque, si l’on veut comprendre les phénomènes et comportements à l'échelle macroscopique de matériaux, et prédire l'évolution de leurs propriétés, il faut partir de données à l'échelle microscopique et remonter des informations à l'échelle mésoscopique et macroscopique. Il faut donc à la fois maîtriser la description des systèmes aux différentes échelles impliquées, être capable d'identifier les paramètres pertinents et de les raccorder, et faire communiquer entre eux (couplage ou chaînage) les différents modules relatifs à des domaines spatiaux, temporels ou thématiques différents, en portant une attention particulière à la quantification et la propagation d’erreurs/incertitudes globales liées aux paramètres d’entrée, aux modèles utilisés, à l’implémentation numérique ou à la précision des données de référence. Dans ce contexte, ce mini-colloque a pour but de réunir les chercheurs théoriciens dont le dénominateur commun est de modéliser des matériaux réalistes, i.e. dans des conditions proches des observations expérimentales, voire des conditions et des propriétés d’usage (applications), afin de faire avec eux un état des lieux des avancées méthodologiques et numériques effectuées dans les différentes approches aux différentes échelles (atomique, mésoscopique, macroscopque), en portant un intérêt particulier à la nécessité de croiser différentes méthodes mêlant structure électronique (DFT, Liaisons Fortes) et physique statistique (Monte Carlo, Dynamique moléculaire) et à la problématique du changement d'échelle. Un accent particuliers sera mis sur les méthodes mathématiques probabilistes de quantification des incertitudes dans les codes numériques faisant intervenir un très grand nombre de variables ou de paramètres. Enfin, ce mini-colloque permettra de confronter ces approches multi-échelles multi-physiques aux méthodes issues de l'Intelligence Artificielle (IA), et plus spécifiquement aux méthodes d'apprentissage automatique de type "Machine Learning" (ML).