Modélisation de l'auto-assemblage des réseaux métallo-organiques

Modeling Metal-Organic Frameworks Self-Assembly

• Auteur / Autrice : Akanksha Nawani
• Direction : Rocio Semino
• Type : Projet de thèse
• Discipline(s) : Chimie Physique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Chimie physique et chimie analytique de Paris Centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Physicochimie des électrolytes et nanosystèmes interfaciaux (Paris ; 2014-....)
• Partenaire(s) de recherche : Equipe de recherche : Modélisation et Expériences Multi-échelles

Mots clés

Mots clés libres

Mof

Auto-assemblage

Métadynamique

Modélisation multi-échelle

Mof

Self-assembly

Metadynamics

Multiscale modeling

Résumé

Les réseaux métallo-organiques (MOF) sont des matériaux poreux avec de nombreuses applications potentielles, telles que la capture du carbone, l'élimination des toxines environnementales et l'administration de médicaments. Malgré les progrès réalisés dans le domaine, la synthèse d'un MOF nécessite actuellement des dizaines à des centaines d'expériences de synthèse par essai-et-erreur coûteuses et chronophages, car notre capacité à corréler les conditions de synthèse avec la structure du MOF souhaitée est très limitée. Pour surmonter cela, nous avons besoin de décoder les mécanismes sous-jacents à l'auto-assemblage des MOF, un processus hors-équilibre très complexe couvrant une large gamme d'échelles spatiales et temporelles, allant depuis la formation des unités de construction jusqu'à la nucléation et la croissance. Le.a doctorant.e recruté.e travaillera au sein d'une équipe de chercheurs sur le développement d'une méthodologie computationnelle multi-échelles pour décoder les mécanismes sous-jacents à l'auto-assemblage des MOF et pour prédire des relations conditions de synthèse-structure (topologie, défauts) au sein du projet MAGNIFY, financé par le Conseil Européen de la Recherche. Il ou elle acquerra une expertise dans les simulations de dynamique moléculaire multi-échelles, les techniques d'accélération d'échantillonnage et l'application de techniques d'apprentissage automatique pour analyser les données de simulation, le tout appliqué à un problème important dans la chimie fondamentale.

Metal-Organic Frameworks (MOFs) are porous materials with many societally relevant potential applications, such as carbon capture, removal of environmental toxins and drug-delivery. Despite the progress in the field, synthesizing a MOF currently requires tens to hundreds costly and time-consuming trial-and-error synthesis experiments because our ability to correlate the synthesis conditions with the desired MOF structure is very limited. To overcome this, we need to decode the mechanisms underlying MOF self-assembly, a highly complex non-equilibrium process covering a wide range of time- and length-scales, from the formation of the building units to nucleation and growth. The PhD candidate recruited will work as part of a team of researchers in the development of a multi-scale computational methodology to decode the mechanisms underlying MOF self-assembly and predict synthesis conditions-structure (topology, defects) relationships within the MAGNIFY project, funded by the European Research Council. He or she will gain expertise in multi-scale molecular dynamics simulations, enhanced sampling techniques and application of machine-learning techniques to analyse simulation data, all applied to a challenging and exciting fundamental chemistry problem.