Chercheur en modélisation mathématique multi-échelle augmentée par l'IA F/H

L’Université de technologie de Compiègne recrute un(e) chercheur contractuel F/H en modélisation mathématique multi-échelle augmentée par l’IA pour le stockage d’énergie au Laboratoire de Mathématiques Appliquées - Département Génie Informatique, dans le cadre du cluster PostGenAI@Paris.

Face aux défis posés par les avancées les plus récentes de l’intelligence artificielle, plusieurs institutions académiques avec des expertises complémentaires se sont réunies pour former le cluster PostGenAI@Paris. Ce consortium, capitalisant sur l’expérience et la réussite du Sorbonne Center for Artificial Intelligence (SCAI), institut créé par l’Alliance Sorbonne Université en 2019, est soutenu par plus de 60 partenaires industriels. Le cluster PostGenAI@Paris est lauréat de l’appel à manifestation d’intérêt « IA-Cluster » à hauteur de 35 millions d’euros sur 5 ans. Son ambition première est de contribuer à la stratégie française en IA, en créant un pôle d’excellence international dédié à l’IA post-générative. 

Pour ce projet, le chercheur contractuel  pourra combiner une veille technologique approfondie avec le développement de modèles mathématiques robustes et fiables dans l’objectif de mener une activité de recherche consacrée à l’optimisation des performances des batteries.

Mission

La personne recrutée contribuera à la modélisation mathématique multi-échelle augmentée par l’IA pour le stockage d’énergie.  

Activités

•     Caractériser finement les phénomènes électrochimiques, thermiques et mécaniques qui gouvernent la dégradation et le rendement énergétique

•     Élaborer des équations différentielles et des approches statistiques capables de les décrire avec précision

•     Formuler, à partir de ces modèles, des algorithmes d’optimisation qui orientent aussi bien la conception de nouveaux matériaux actifs que les stratégies de gestion électronique

•     Assurer une veille technologique approfondie

•     Rédiger des publications scientifiques et présenter les résultats.

Contexte

La recherche visant à maximiser les performances des batteries Li-ion se concentre aujourd’hui sur des processus complexes, couplés et résolus dans le temps, tels que les réactions de surface. À l’échelle du dispositif, des approches guidées par les données sont mises à profit pour prédire l’état de santé d’une batterie à partir d’un large éventail d’observables, l’objectif étant d’élaborer des protocoles de charge qui optimisent sa durée de vie. Toutefois, les modèles actuels souffrent de la rareté des données disponibles. Le stockage de l’énergie – battreies Li-ion, supercondensateurs ou systèmes à hydrogène – implique en outre des phénomènes physiques et chimiques fluctuants sous l’effet de la température, des variations de charge et des hétérogénéités microscopiques. Pour capturer ces incertitudes et prédire de façon réaliste l’évolution de l’état de charge, de la dégradation ou de la formation de phases instables, nous recourons aux équations différentielles stochastiques (EDS). Ces dernières ajoutent un terme aléatoire aux équations déterministes classiques, modélisant ainsi les fluctuations thermiques et matériaux. Les EDS permettent de quantifier la probabilité d’événements rares – croissance de dendrites ou emballement thermique  - et d’optimiser les protocoles de charge en tenant compte des risques, offrant un cadre mathématique robuste pour concevoir des dispositifs de stockage plus sûrs et plus durables. Enfin, entre ces deux échelles, les expériences in situ fournissent des informations cruciales sur l’état de santé de batteries modèles. La masse de données ainsi générée constitue une opportunité d’appliquer des approches d’IA, notamment des modèles génératifs couplés à des contraintes physiques, afin de produire de nouvelles données pour des chimies plus difficiles à explorer expérimentalement. En unissant ainsi l’IA, les simulations atomistiques accélérées et les EDS dans un cadre multi-échelle, nous offrons une vision intégrée, physique et probabiliste du stockage électrochimique – une démarche essentielle pour allonger la durée de vie des dispositifs, développer de nouveaux matériaux et sécuriser l’énergie de demain.    

Informations complémentaires

Type de contrat et dates prévisionnelles de recrutement

Contrat à durée déterminée – durée prévue de 24 mois - à pourvoir dès que possible et jusqu’au 31/12/2029 au plus tard

Salaire mensuel brut

Selon expérience et financement

Volume horaire

1 607 heures/an

Environnement et contexte de travail

La personne recrutée exercera son activité au sein du Laboratoire de Mathématiques Appliquées LMAC/GI et viendra renforcer l’équipe dans ses activités de recherche et de développement dans un environnement scientifique stimulant et interdisciplinaire. L’équipe de recherche, impliquée dans plusieurs projets nationaux, offre un cadre propice à la valorisation scientifique.

La personne recrutée rend compte au responsable UTC du projet et entretient un dialogue régulier avec celui-ci et l’ensemble des interlocuteurs concernés.

Le cluster PostGenAI@Paris, un projet académique ambitieux piloté par Sorbonne Université, est lauréat de l’appel à manifestation d’intérêt « IA-Cluster ».

Ce recrutement bénéficie d’un financement de l’Agence Nationale de la Recherche (ANR).

Diplôme, formation et habilitation

Diplôme : doctorat

Domaine de formation : mathématiques appliquées.

Connaissances et compétences opérationnelles

Problèmes d’apprentissage automatique

Analyse fonctionnelle

Equations différentielles partielles

Statistiques mathématiques

Maitrise de Python.