La découverte de phases actives de catalyseurs hétérogènes représente un enjeu majeur dans le contexte de la transition énergétique. Le renforcement de l’incorporation de biocarburants et les perspectives d’utilisation de l’hydrogène nécessitent d’anticiper les formulations chimiques des catalyseurs se situant au cœur des procédés visant à produire ces carburants renouvelables. La révolution des méthodes d’intelligence artificielle générative combinée à la chimie computationnelle laisse entrevoir un changement de paradigme dans les approches ouvrant les portes au design in silico de nouveaux catalyseurs.
Ce travail de thèse vise principalement à mettre en place une méthodologie (numérique) basée sur l’utilisation de réseaux de neurones génératifs combinée à l’établissement de champs de forces par machine learning (ML) pour accélérer l’exploration et l’identification de structures de phases catalytiques actives (nouvelles ou existantes) à partir de bases données disponibles. L’exploration se fera par le biais de l’optimisation de descripteurs judicieusement choisis pour les deux cas d’application visés. Le recours aux calculs quantiques (DFT) permettra de valider la « qualité » des modèles champ de forces ML et d’estimer la pertinence des nouvelles phases catalytiques identifiées.
Deux cas d’application de complexité croissante seront envisagés en ciblant la famille des matériaux sulfures de métaux de transition (TMS) comme catalyseurs potentiels de deux réactions. Le 1er cas identifiera des surfaces de TMS permettant de stabiliser et d’activer de manière optimale l’hydrogène afin d’optimiser la ½ réaction d’évolution de l’hydrogène (HER). Le second cas vise à identifier des phases TMS actives et sélectives pour la réaction d’hydrodéoxygénation de molécules oxygénées ex-biomasse, en vue de la production de biocarburants.
Le partenariat IFPEN – ENTALPIC permet de bénéficier des compétences complémentaires (catalyse computationnelle et ML) pour répondre aux objectifs de la thèse