Accélérer la modélisation des matériaux MOFs amorphes

Accelerating the modeling of amorphous MOFs

• Auteur / Autrice : Léna Triestram
• Direction : François-Xavier Coudert
• Type : Projet de thèse
• Discipline(s) : Chimie Physique
• Date : Inscription en doctorat le 01/10/2024
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Chimie physique et chimie analytique de Paris Centre
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche de Chimie Paris
• Partenaire(s) de recherche : Equipe de recherche : Chimie Organométallique et Catalyse de Polymérisation (COCP)
• Partenaire(s) de recherche : établissement opérateur d'inscription : Chimie ParisTech / École Nationale Supérieure de Chimie de Paris (ENSCP)

Mots clés

Mots clés libres

Modélisation moléculaire

Dynamique ab initio

Machine learning

Matériaux nanoporeux

Ab initio molecular dynamics

Machine learning

Nanoporous materials

Molecular modeling

Résumé

La découverte récente des verres de MOFs (Metal-Organic Frameworks) offre un pont intéressant entre les verres conventionnels et la variété chimique des MOFs cristallins. Mais la compréhension des relations entre les structures microscopiques des verres de MOFs et leurs propriétés macroscopiques reste limitée. Notamment, les méthodes de modélisation moléculaire sont limitées en termes d'échelles de temps et d'espace. Ce projet vise à développer une nouvelle méthodologie pour accélérer l'étude de ces systèmes en combinant la chimie quantique et la modélisation moléculaire classique, par le développement de champs de forces basés sur des réseaux neuronaux (machine-learnt interatomic potentials, ou MLIP) et la génération de modèles par des méthodes de polymérisation simulée (méthode de type gros grain).

The recent discovery of Metal-Organic Frameworks (MOF) glasses offers an interesting bridge between conventional glasses and the chemical variety of crystalline MOFs. But our understanding of the relationships between the microscopic structures of MOF glasses and their macroscopic properties remains limited. In particular, molecular modeling methods are limited in terms of time and space scales. This project aims to develop a new methodology to accelerate the study of these systems by combining quantum chemistry and classical molecular modeling, through the development of force fields based on neural networks (machine-learnt interatomic potentials, or MLIP) and model generation by simulated polymerization methods (coarse-grained method).