LM2C - Améliorer la modélisation du combustible UO2 grâce à l'apprentissage automatique des interactions diélectriques à longue portée

Développer et entraîner des potentiels interatomiques par apprentissage automatique (MLIPs) pour l’UO2 capturant explicitement les interactions diélectriques à longue portée.

• Développement de modèles: entraînement de MLIPs de pointe focalisés sur les effets diélectriques longue portée.
• Benchmarking: comparaison aux MLIPs existants et évaluation des gains liés à l’inclusion des interactions diélectriques.
• Prédiction de propriétés: calcul et validation de propriétés diélectriques (p. ex. spectres IR) face aux mesures expérimentales. Contexte: CEA Cadarache (IRESNE), Laboratoire de Modélisation du Comportement des Combustibles (LM2C). Environnement de recherche en physique des matériaux et simulation numérique. Outils: dynamique moléculaire (LAMMPS/ASE), machine learning (PyTorch). Profil: Master 2. Mots-clés: combustible nucléaire, MLIPs, propriétés diélectriques.