*

ENACT - Apprentissage Automatique Génératif pour la Conception de Microstructures : Une Approche Informée à l'Échelle Atomique pour l'Ingénierie des Interfaces

Offre de thèse

ENACT - Apprentissage Automatique Génératif pour la Conception de Microstructures : Une Approche Informée à l'Échelle Atomique pour l'Ingénierie des Interfaces

Date limite de candidature

25-06-2025

Date de début de contrat

01-10-2025

Directeur de thèse

BERBENNI Stéphane

Encadrement

Équipe de direction formée de 3 membres du LEM3 : Co-directeurs : Julien GUÉNOLÉ (CR CNRS), Stéphane BERBENNI (DR CNRS) Co-encadrants : Lionel GERMAIN (Prof. Univ. Lorraine)

Type de contrat

Programmes ministériels spécifiques

école doctorale

C2MP - CHIMIE MECANIQUE MATERIAUX PHYSIQUE

équipe

DEPARTEMENT 2 : Ingénierie des Microstructures, Procédés, Anisotropie, ComportemenT (IMPACT)

contexte

Le laboratoire LEM3 (Laboratoire d'Étude des Microstructures et de Mécanique des Matériaux) est une unité mixte de recherche de l'Université de Lorraine, du Centre National de la Recherche Scientifique (CNRS) et de l'école d'ingénieurs Arts et Métiers. Le LEM3 est l'un des plus grands instituts de recherche en physique des matériaux et en ingénierie en France. Il est situé à Metz, près de la frontière entre la France, l'Allemagne et le Luxembourg, et constitue un carrefour scientifique central en Europe. Plus de 250 scientifiques venant de France et du monde entier y mènent des recherches de pointe en science des matériaux, mécanique et procédés. En menant des recherches fondamentales et appliquées, les chercheurs du LEM3 s'attaquent aux grands défis scientifiques, industriels et sociétaux. Le doctorant rejoindra une équipe de chercheurs expérimentés et dynamiques aux profils variés, incluant Julien Guénolé (CR CNRS), Stéphane Berbenni (DR CNRS) et Lionel Germain (Pr UL), ayant une expertise reconnue dans l'utilisation de l'intelligence artificielle pour la science des matériaux et la mécanique (1–5). Le candidat sélectionné aura accès à plusieurs ressources de calcul haute performance fournies par GENCI (https://www.genci.fr/), EXPLOR (https://explor.univ-lorraine.fr/), CASSIOPÉE (https://artsetmetiers.fr/fr/cassiopee-plateforme-hpc) et ENACT (https://cluster-ia-enact.ai/). Cette offre de doctorat est soumise à l'attribution du financement par le Cluster IA ENACT et ses partenaires.

spécialité

Sciences des Matériaux

laboratoire

LEM3 - Laboratoire d Etude des Microstructures et de Mécanique des Matériaux

Mots clés

Réseaux Antagonistes Génératifs (GAN), joints de grains, apprentissage profond, mécanique, plasticité, métaux

Détail de l'offre

Les matériaux inorganiques sont essentiels dans de nombreux secteurs industriels. Comprendre leur comportement mécanique, en particulier la déformation plastique, est un enjeu majeur en science des matériaux. Cependant, la prédiction de leur réponse mécanique reste un défi pour les modélisations actuelles, notamment dans le cas des matériaux d'ingénierie avancés comportant une forte densité d'interfaces (joints de grains, etc.) à différentes échelles. Les modèles existants négligent souvent les détails atomiques spécifiques aux interfaces, ce qui limite considérablement la capacité à prédire la mécanique des matériaux dominés par les interfaces. Pour surmonter cette limitation, nous proposons une approche multi-échelle fondée sur les données, utilisant des champs de densité de défauts locaux (densité de dislocation de Nye) dans un cadre de mécanique des milieux continus établi et efficace (la Mécanique des Dislocations de Champ) afin de relier les données de simulations atomiques aux modèles mésoscopiques. Dans ce contexte général, ce projet de doctorat se concentre sur la génération par apprentissage machine (AM) des nanostructures d'interfaces et de défauts (dislocations), à partir de données issues de simulations atomistiques classiques.
Ces simulations sont idéales pour modéliser les interfaces à résolution atomique sur divers matériaux et constituent la base de données du projet. L'aluminium est choisi comme matériau de référence pour ses mécanismes de plasticité bien connus, mais le modèle sera étendu à des matériaux plus complexes, comme les alliages de magnésium. Les configurations de simulation permettront de contrôler les caractéristiques des interfaces, d'explorer de nombreuses configurations, et de générer les données variées et fiables nécessaires à l'entraînement du modèle ML. La méthode « G-method », récemment développée dans l'équipe (6), fera le lien entre les résultats atomistiques et les modèles continus.
L'objectif principal de ce doctorat est de générer des champs de densité de défauts décrivant les interfaces avec une précision atomique, via des approches d'apprentissage automatique génératif. Il s'agira de prédire les champs de dislocation de Nye pour diverses combinaisons de défauts, en s'appuyant sur un modèle capable de gérer la complexité de ces configurations.
Le Réseau Antagoniste Génératif (GAN) est un excellent candidat pour cette tâche. C'est une approche d'apprentissage profond capable de générer des données utilisé avec succès dans la génération de microstructures (7–9). En bref, un GAN comprend deux modèles ML entraînés simultanément et mis en concurrence via un équilibre de Nash : le générateur produit des données similaires aux données d'entraînement, tandis que le discriminateur tente de distinguer les données générées des vraies données. Les GAN classiques sont sujets à des problèmes bien connus (effondrement de mode, gradients nuls, etc.), mais la littérature propose de nombreuses solutions via des architectures alternatives telles que WGAN ou CycleGAN. Un aspect supplémentaire propre à ce projet est que les lois physiques gouvernant les données générées sont connues (périodicité, équilibre, etc.). En les intégrant dans les données d'entraînement ou dans la fonction de coût minimisée lors de l'entraînement, nous obtiendrons une approche d'apprentissage automatique informée par la physique, ce qui facilitera l'entraînement du GAN (10).
Les résultats attendus de ce doctorat sont : (i) établir une architecture GAN capable de générer des champs de densité de défauts pour les interfaces, (ii) mieux comprendre le rôle des caractéristiques interfaciales dans la plasticité des matériaux d'ingénierie avancés. L'approche d'apprentissage profond développée dans ce projet de doctorat permettra de mettre en place un paradigme sans précédent de modélisation multi-échelle des matériaux, et établira les bases d'une ingénierie des interfaces fondée sur la physique dans les matériaux cristallins.

Keywords

Generative Adversarial Networks, grain boundaries, deep learning, mechanics, plasticity, metals

Subject details

Inorganic materials are essential across industries due to their versatile properties, and understanding their mechanical behavior—especially plastic deformation—has been a key pursuit in materials science. However, the prediction of their mechanical response remains to date a challenge for state-of-the-art modelling approaches, especially for advanced engineering materials that contains a large proportion of interfaces (e.g. grain boundaries…) at various length scales. Indeed, existing models often neglect interface-specific atomic details, severely limiting the ability to predict the mechanics of interface dominated materials. To address this, we envision a data-driven multiscale approach using local defect density fields (Nye dislocation) within an established and highly efficient continuum mechanics framework (Field Dislocation Mechanics), to bridge atomic-scale simulation data and meso-scale continuum models. Within this broader context, this PhD project focuses on the machine learning (ML) generation of the nanostructures of interfaces and defects (dislocations), based on data from classical atomistic simulations. Atomistic simulations are ideal for modeling interfaces at atomic resolution across various materials, making them central to the generation of the data employed in this project. As we emphasize method development over material specificity, aluminum is chosen for its well-characterized plasticity and available interatomic potentials. The model could be however assessed on more complex materials, like magnesium alloys. Carefully designed simulation setups will control interface and dislocation features, enabling exploration of numerous defect configurations. This will generate the extensive and reliable data required to train the ML model at the heart of this project. The “G-method” recently developed in the team (6), will bridge atomistic results to continuum models via Nye dislocation density tensors, and ultimately provide the data. The core objective of this PhD project is to enable the generation of defect density fields able to describe material interfaces with atomistic precision thanks to the use of generative ML approaches. More precisely, the prediction of Nye dislocation fields associated with any combination of defects, i.e. interface or/and dislocation. We intend to design and train a data-driven model able to handle the complexity of such configuration space and to generate the required fields. An excellent candidate for such task is the Generative Adversarial Network (GAN), which is a deep learning approach able to generate data already successful in generating microstructures (7–9). In brief, a GAN is composed of two ML models trained simultaneously and competing through a Nash equilibrium: the generator produces data representing the training dataset and the discriminator distinguished between the data that has been generated and the real one. Original GAN are prone to known issues (mode collapse, vanishing gradient…), which are however widely addressed in the literature by alternative architectures, such as WGAN or CycleGAN. An additional aspect specific to this project is that physical laws governing the generated training data are known (periodicity, equilibrium, etc.). By integrating them within the training dataset or the loss function being minimized during training, we would obtain a physics-informed ML approach that will facilitate the training of the GAN (10). The expected outcomes of this PhD project are: (i) establish a GAN architecture able to generate defect density fields of interfaces, and (ii) enlighten on the role of interfacial characteristics on the plasticity in advanced engineering materials. The deep learning approach developed in this PhD project will enable an unprecedented paradigm in multi-scale material modeling and establish a foundation for physics-based interface engineering in crystalline materials.

Profil du candidat

Le/La candidat(e) doit posséder :
- Une solide formation en science computationnelle, science des matériaux, mécanique, physique ou équivalent.
- De bonnes connaissances en analyse statistique.
- Une bonne maîtrise du langage Python.
- Une expérience préalable en simulations atomistiques, simulations de dynamique moléculaire ou en apprentissage machine, incluant des techniques d'apprentissage profond génératif, sera considérée comme un atout.
- Une candidature comprenant une lettre de motivation, un CV avec les noms de deux personnes pouvant fournir une lettre de recommandation, une liste de publications et d'autres documents pertinents, si disponibles.
- D'excellentes compétences en communication écrite et orale.

Candidate profile

The candidate must have:
- Strong background in Computational science, Material Science, Mechanics, Physics, or equivalent.
- Good background in statistical analysis.
- Good knowledge and programming skills in Python.
- Previous experience in atomistic simulations, molecular dynamics simulations or machine learning, including generative deeplearning technics will be considered as an extra merit.
- The application should include a statement of research interest, a CV with the names of two people to contact for a recommendation, a list of publications and other relevant materials, if available.
- Have exceptional written and verbal communication skills.

Référence biblio

Chen X, Dingreville R, Richeton T, Berbenni S. Invariant surface elastic properties in FCC metals and their correlation to bulk properties revealed by machine learning methods. Journal of the Mechanics and Physics of Solids. 2022 Jun 1;163:104852.
2. Xie Z, Atila A, Guénolé J, Korte-Kerzel S, Al-Samman T, Kerzel U. Predicting grain boundary segregation in magnesium alloys: An atomistically informed machine learning approach. Journal of Magnesium and Alloys [Internet]. 2025 Apr 24 [cited 2025 May 28]; Available from: https://www.sciencedirect.com/science/article/pii/S2213956725001124
3. Germain L, Sertucha J, Hazotte A, Lacaze J. Classification of graphite particles in metallographic images of cast irons – Quantitative image analysis versus deep learning. Materials Characterization. 2024 Nov 1;217:114333.
4. Breumier S, Martinez Ostormujof T, Frincu B, Gey N, Couturier A, Loukachenko N, et al. Leveraging EBSD data by deep learning for bainite, ferrite and martensite segmentation. Materials Characterization. 2022 Apr 1;186:111805.
5. Lhadi S, Berbenni S, Gey N, Richeton T, Germain L. Micromechanical modeling of the effect of elastic and plastic anisotropies on the mechanical behavior of β-Ti alloys. International Journal of Plasticity. 2018 Oct;109:88–107.
6. Kharouji H, Dezerald L, Hirel P, Carrez P, Cordier P, Taupin V, et al. Atomistic to continuum mechanics description of crystal defects with dislocation density fields: Application to dislocations and grain boundaries. International Journal of Plasticity. 2024 Jun 1;177:103990.
7. Oommen V, Shukla K, Desai S, Dingreville R, Karniadakis GE. Rethinking materials simulations: Blending direct numerical simulations with neural operators. npj Comput Mater. 2024 Jul 4;10(1):1–14.
8. Murgas B, Stickel J, Ghosh S. Generative adversarial network (GAN) enabled Statistically equivalent virtual microstructures (SEVM) for modeling cold spray formed bimodal polycrystals. npj Comput Mater. 2024 Feb 7;10(1):1–14.
9. Murgas B, Stickel J, Brewer L, Ghosh S. Modeling complex polycrystalline alloys using a Generative Adversarial Network enabled computational platform. Nat Commun. 2024 Nov 1;15(1):1–16.
10. Karniadakis GE, Kevrekidis IG, Lu L, Perdikaris P, Wang S, Yang L. Physics-informed machine learning. Nat Rev Phys. 2021 Jun;3(6):422–40.