Conception de modèles génératifs à base de diffusion pour la découverte de nouvelles structures cristallographiques

Design of diffusion-based generative models for the discovery of new crystallographic structures

• Auteur / Autrice : Elohan Veillon
• Direction : Adlane Sayede, Zied Bouraoui
• Type : Projet de thèse
• Discipline(s) : Molécules et Matière Condensée
• Date : Inscription en doctorat le 01/10/2023
• Etablissement(s) : Artois
• Ecole(s) doctorale(s) : Sciences, Technologie, Santé
• Partenaire(s) de recherche : Laboratoire : UCCS - Unité de Catalyse et Chimie du Solide
• Partenaire(s) de recherche : Equipe de recherche : CMNM

Mots clés

Mots clés libres

Prédiction et optimisation des propriétés des matériaux

Apprentissage automatique

Modèles génératifs

Chimie des matériaux

Prediction and optimization of material properties

Machine learning

Generative models

Materials Chemistry

Résumé

Grâce aux avancées récentes dans les technologies d'Intelligence Artificielle, il existe de nombreux modèles génératifs (VAEs, Normalizing Flows, GANs, . . .) capables de prédire les structures de systèmes moléculaires, cependant les modèles pour la prédiction de systèmes cristallins sont encore en quantité restreinte et leur efficacité reste limitée. Cela est du au fait que, en plus de la composition chimique, il faut également tenir compte de la périodicité dans toutes les directions de l'espace, ainsi que de l'équivalence géométrique du système cristallin lors de la phase d'apprentissage du modèle génératif. Une architecture de débruitage (denoising) par diffusion a été proposée récemment pour aborder cet aspect, mais les travaux l'utilisant dans ce cadre sont encore rares et ne permettent pas encore de génération fiable. Nous proposons dans ce sujet de développer un modèle génératif plus fiable basé sur cette architecture.

Thanks to recent advances in Artificial Intelligence (AI) technologies, numerous generative models (VAEs, Normalizing Flows, Gans, ...) exist that are capable to predict the structure of molecular systems, however cristalline systems prediction models still are in restreint quantity and their efficiency is still limited. This is due to the fact that, adding to the chemical composition, the periodicity in all space directions and the geometric equivalence of the cristalline system must also be taken in account during generative models' learning phase. A denoising architecture by diffusion was recently proposed to adress these aspects, but the works using it for material generation are still rares and do not yet permit reliable generation. We propose in this PhD subject to develop a more reliable generative model based on this architecture.