NanoPhiA : Comprendre la formation de nanoparticules par voie physique: Utiliser l’IA pour coupler caractérisation, mesure in-situ et simulation.
Pilote : Julien LAM
CNRS
Mots clés : Synthèse de nanoparticules, nucléation et cristallisation,
instrumentation in situ et in operando, jumeaux numériques, dynamique moléculaire assistée par apprentissage automatique, analyse de mégadonnées
La structure cristallographique des nanoparticules pilote directement leur propriété
physico-chimique et a foritiori leur potentiel applicatif. Un défi majeur pour faire progresser les
nanotechnologies par l’usage des nanoparticules demeure donc dans notre capacité à contrôler
leur taille, la phase cristalline, la morphologie et la composition chimique. Une approche empirique
est actuellement privilégiée et consiste en une objectivation de la relation entre les paramètres de
synthèse et les caractéristiques morphologiques et structurales. Mais l’espace des paramètres est
parfois trop grand pour qu’une approche purement empirique suffise. Pour aller au-delà, il devient
crucial d’obtenir une meilleure compréhension des mécanismes impliqués durant la synthèse de
nanoparticules et en particulier durant la nucléation du cristal.
Dans notre projet, nous concentrons nos efforts sur les méthodes de synthèse par voie physique. Notre consortium mobilise trois équipes de recherche possédant chacune une méthode de synthèse par voie physique différente: chemical vapor synthesis (INSP-Paris), magnetron sputtering inert-gas condensation (CEMES-Toulouse) et Laser ablation in liquid (ILM-Lyon). Ces méthodes ont pour point commun le passage par une phase plasma au sein de laquelle les collisions entre les espèces chimiques permettent la nucléation des nanoparticules dans des conditions hautement hors équilibre. En travaillant sur un même matériau, l’étude permettra donc un benchmark des conditions de synthèse.
En pratique, nous avons choisi de travailler sur des oxydes de complexité graduelle ie. ZnO, CuxOy et enfin ZnxCuyOz. Ces matériaux présentent des intérêts d’un point de vue application en catalyse et en biomédicale mais aussi une riche complexité structurale (polymorphisme avec une dépendance possible envers la taille) . Au-delà du regroupement inédit de ces trois méthodes de synthèse, notre projet vise à développer une expérience de spectroscopie mobile capable d’être déployée sur les différentes expériences de synthèse.
En particulier, il s’agira de mesurer l’évolution temporelle des propriétés thermodynamiques du plasma aux temps courts en fonction des conditions expérimentales. La comparaison des méthodes permettra un mapping des caractéristiques thermodynamiques incluant une composante temporelle. Fort de ces résultats, nous construirons un modèle basé sur l’IA permettant d’établir une boucle de rétroaction entre les paramètres expérimentaux imposés en synthèse et les propriétés thermodynamiques. Dans la troisième partie de notre projet, nous utiliserons la dynamique moléculaire assistée par champs de force machine-learning afin d’obtenir un jumeau numérique des expériences de synthèse calqué sur les propriétés thermodynamiques mesurées. Grâce à ces simulations numériques, nous pourrons 1) Observer à l’échelle de l’atome la dynamique de formation des nanoparticules pour mieux comprendre les mécanismes, 2) Prédire les résultats de synthèse pour réduire considérablement le nombre d’expériences de synthèse et de caractérisation qui sont coûteuses en temps et en ressource et 3) Déterminer les conditions thermodynamiques permettant d’obtenir des nanostructures inédites.
En regroupant la synthèse, l’observation in-situ assistée par IA et la dynamique moléculaire par champs de force machine-learning, nous visons une compréhension complète des mécanismes mis en jeu lors de la formation des nanoparticules par voie physique. Et, nous établirons surtout une méthodologie permettant de prédire l’expérience de synthèse pertinente ainsi que les conditions expérimentales adéquates pour cibler une forme de nanoparticule spécifique en termes de composition chimique et surtout de structure. La méthodologie employée de par son caractère fondamental sera parfaitement transférable vers d’autres oxydes mais aussi d’autres types de nanoparticules comme des matériaux carbonés ou bien des nano-alliages.