Offre de thèse
ENACT - Analyse en temps réel des données XRD par IA : Vers des expériences synchrotron adaptatives
Date limite de candidature
15-04-2025
Date de début de contrat
01-10-2025
Directeur de thèse
APPOLAIRE Benoit
Encadrement
Modalités d'encadrement: Encadrant principal : Benoît Appolaire supervisera le doctorant, assurant un suivi régulier des activités de recherche et l'avancement des travaux. Co-encadrants : Imed-Eddine Benrabah assurera le co-encadrement pour couvrir les différents volets du projet. Réunions régulières : Des réunions hebdomadaires ou bi-mensuelles seront organisées pour discuter des progrès, résoudre les problèmes rencontrés et planifier les étapes suivantes. Suivi de la Formation: Le doctorant sera formé pour l'utilisation des méthode de diffraction des rayons X. Le doctorant sera encouragé à présenter ses travaux lors de conférences internationales, renforçant ses compétences en communication scientifique. Participation à des cours et ateliers pour compléter les compétences techniques et transversales (gestion de projet, rédaction scientifique). Suivi de l'Avancement des Recherches: Comités de suivi individuel (CSI) : Des réunions annuelles avec un comité indépendant permettront d'évaluer objectivement l'avancement de la thèse et d'ajuster le plan de travail si nécessaire. Présentation des résultats au sein du laboratoire pour obtenir des retours constructifs de la part des chercheurs et renforcer l'intégration du doctorant dans l'équipe
Type de contrat
école doctorale
équipe
DEPARTEMENT 3 - SI2M : 303 - Microstructures et contraintescontexte
La diffraction des rayons X à haute énergie (XRD) est essentielle pour la caractérisation des matériaux, révélant structures cristallographiques et fractions de phase [1-2]. Avec les synchrotrons de quatrième génération et les expériences à haut débit, le volume et la complexité des données XRD ont explosé, posant un défi aux méthodes classiques comme le raffinement de Rietveld [3-7]. Ces approches nécessitent un ajustement itératif par moindres carrés et un traitement manuel intensif, prenant des semaines voire des mois pour extraire des informations. Elles peinent aussi en faible rapport signal-bruit, notamment pour les faibles fractions de phase, rendant l'intervention humaine inévitable. L'apprentissage profond a récemment démontré un fort potentiel pour la reconnaissance d'images et la classification de données scientifiques. En XRD, les études ont surtout utilisé des réseaux neuronaux convolutifs (CNN) pour prédire des structures cristallines, classifier des groupes d'espace et identifier des phases [8-11]. Toutefois, leur usage pour une analyse quantitative et en temps réel des motifs de diffraction reste inexploré.spécialité
Sciences des Matériauxlaboratoire
IJL - INSTITUT JEAN LAMOUR
Mots clés
Synchrtron, Diffraction Rayons-X, IA
Détail de l'offre
This PhD offer is provided by the ENACT AI Cluster and its partners. Find all ENACT PhD offers and
actions on https://cluster-ia-enact.ai/.
La diffraction des rayons X à haute énergie (XRD) joue un rôle crucial dans la caractérisation des matériaux, en fournissant des informations sur les structures cristallographiques, les fractions de phase et d'autres caractéristiques microstructurales. Cependant, avec l'avènement des synchrotrons de quatrième génération et des expériences à haut débit, le volume et la complexité des données XRD ont considérablement augmenté, posant des défis aux méthodes d'analyse traditionnelles comme le raffinement de Rietveld. Notre projet propose le développement d'une approche basée sur l'apprentissage profond pour l'analyse des données XRD en temps réel, visant spécifiquement à identifier et quantifier avec précision des paramètres expérimentaux clés tels que les fractions de phase et les paramètres de réseau dans les matériaux multiphasiques. Pour garantir des performances robustes, nous mettrons en œuvre une stratégie hybride combinant des ensembles de données expérimentales et des motifs XRD générés synthétiquement. Cette approche améliorera la détection des phases minoritaires et élargira l'applicabilité du modèle à un large éventail de conditions expérimentales. L'objectif final du projet est de développer un cadre d'apprentissage profond capable de fournir un retour en temps réel lors des expériences synchrotron, permettant ainsi une conception expérimentale adaptative.
Keywords
Real-time analysis, Synchrotron, X-rays diffraction, AI
Subject details
This PhD offer is provided by the ENACT AI Cluster and its partners. Find all ENACT PhD offers and actions on https://cluster-ia-enact.ai/. High-energy X-ray diffraction (XRD) plays a crucial role in material characterization, offering insights into crystallographic structures, phase fractions, and other microstructural features. However, with the advent of fourth-generation synchrotrons and high-throughput experiments, the volume and complexity of XRD data have significantly increased, presenting challenges for traditional analysis methods like Rietveld refinement. Our project proposes the development of deep learning–based approach for real-time XRD data analysis, specifically aimed at accurately identifying and quantifying key experimental parameters such as phase fractions and lattice parameters in multiphase materials. To achieve robust performance, we will implement a hybrid data strategy that combine experimental datasets with synthetically generated XRD patterns. This approach will improve the detection of minor phases and extend the model's applicability across a range of experimental conditions. The ultimate goal of the project is to develop a deep learning framework capable of providing real-time feedback during synchrotron experiments, enabling adaptive experimental designs.
Profil du candidat
• Master en intelligence artificielle, science des données, science des matériaux, physique ou domaines connexes.
• Solide base en apprentissage automatique et programmation.
• Une familiarité avec les techniques de diffraction ou la cristallographie est un atout mais non obligatoire.
• Expérience avec des outils d'analyse de données.
• Capacité à faire le lien entre les travaux expérimentaux et computationnels.
• Maîtrise de l'anglais.
Candidate profile
• Master's degree in AI, Data Science, Materials Science, Physics, or related fields.
• Strong foundation in machine learning and programming.
• Familiarity with diffraction techniques or crystallography is a plus but not mandatory.
• Experience with data analysis tools.
• Ability to bridge experimental and computational workflows.
• Fluency in English.
Référence biblio
[1] Bernier, J. V., Suter, R. M., Rollett, A. D., & Almer, J. D. (2020). High-energy X-ray diffraction microscopy in materials science. Annual Review of Materials Research, 50(1), 395-436.
[2] Gregoire, J. M., Dale, D., Kazimirov, A., DiSalvo, F. J., & Van Dover, R. B. (2009). High energy x-ray diffraction/x-ray fluorescence spectroscopy for high-throughput analysis of composition spread thin films. Review of Scientific Instruments, 80(12).
[3] Geandier, G., Aeby-Gautier, E., Settefrati, A., Dehmas, M., & Appolaire, B. (2012). Study of diffusive transformations by high energy X-ray diffraction. Comptes Rendus. Physique, 13(3), 257-267.
[4] Ludwig, A. (2019). Discovery of new materials using combinatorial synthesis and high-throughput characterization of thin-film materials libraries combined with computational methods. npj Computational Materials, 5(1), 70.
[5] Benrabah, I. E., Bonnet, F., Denand, B., Deschamps, A., Geandier, G., & Van Landeghem, H. P. (2021). High-throughput compositional mapping of phase transformation kinetics in low-alloy steel. Applied Materials Today, 23, 100997.
[6] Schuetzke, J., Schweidler, S., Muenke, F. R., Orth, A., Khandelwal, A. D., Breitung, B., ... & Reischl, M. (2024). Accelerating Materials Discovery: Automated Identification of Prospects from X‐Ray Diffraction Data in Fast Screening Experiments. Advanced Intelligent Systems, 6(3), 2300501.
[7] Deschamps, A., Tancret, F., Benrabah, I. E., De Geuser, F., & Van Landeghem, H. P. (2018). Combinatorial approaches for the design of metallic alloys. Comptes Rendus. Physique, 19(8), 737-754.
[8] Szymanski, N. J., Bartel, C. J., Zeng, Y., Diallo, M., Kim, H., & Ceder, G. (2023). Adaptively driven X-ray diffraction guided by machine learning for autonomous phase identification. npj Computational Materials, 9(1), 31.
[9] Szymanski, N. J., Fu, S., Persson, E., & Ceder, G. (2024). Integrated analysis of X-ray diffraction patterns and pair distribution functions for machine-learned phase identification. Npj computational materials, 10(1), 45.
[10] Lee, J. W., Park, W. B., Lee, J. H., Singh, S. P., & Sohn, K. S. (2020). A deep-learning technique for phase identification in multiphase inorganic compounds using synthetic XRD powder patterns. Nature communications, 11(1), 86.
[11] Oviedo, F., Ren, Z., Sun, S., Settens, C., Liu, Z., Hartono, N. T. P.,& Buonassisi, T. (2019). Fast and interpretable classification of small X-ray diffraction datasets using data augmentation and deep neural networks. npj Computational Materials, 5(1), 60.