Matériaux à comportement adaptatif ciblé – MataReB
Matériaux à comportement adaptatif ciblé
L'idée est de développer et d'utiliser une méthodologie théorique et computationnelle multi-échelle pour la description des matériaux du cadre réagissant aux stimuli avec un coût de calcul relativement faible.
-
Nous avons proposé une nouvelle approche pour l'identification et la synthèse systématiques des cristaux poreux mous, c'est-à-dire des matériaux cadres sensibles aux stimuli externes. L'idée est de développer et d'utiliser une méthodologie théorique et de modélisation à plusieurs échelles. Tout d'abord, nous voulons développer une méthodologie systématique qui peut prédire la réponse des structures sous divers stimuli physiques ou chimiques, à un niveau chimique quantique. Nous appliquerons ensuite cette méthodologie à des matériaux cadres connus, qui n'ont pas été caractérisés de manière approfondie sous stimulation, afin d'identifier les structures les plus performantes pour une réponse choisie. Enfin, nous utiliserons les résultats comme ensemble de données d'entraînement pour un algorithme d'apprentissage automatique, afin de fournir un criblage rapide de grandes bases de données de matériaux hypothétiques (millions de composés identifiés).
Les dernières années ont vu l'émergence de nouvelles familles de matériaux nanoporeux cristallins, dont la structure s'adapte à des stimuli externes chimiques ou physiques. Ces modifications des matériaux altèrent alors leurs propriétés, leur conférant ainsi un caractère multi fonctionnel (matériaux dits « intelligents »). L'un des défis de ce domaine est la synthèse rationnelle de matériaux à comportement ciblé, et je propose ici une approche théorique dans cette voie. Tout d'abord, des méthodes de chimie théorique et de modélisation moléculaire seront développées pour prédire les réponses des matériaux à des stimuli tels que température, pression, champ électrique, etc. Ensuite, ces méthodes seront appliquées à une série de matériaux connus, fournissant des données pour le développement d'un algorithme d'apprentissage automatique (machine learning) permettant le criblage de base de données de matériaux hypothétiques à la recherche des matériaux aux propriétés désirées.
Nous avons fourni une caractérisation systématique des propriétés mécaniques de 600 000 structures zéolitiques hypothétiques, en mettant en évidence les tendances génériques entre les propriétés mécaniques et la stabilité énergétique. Nous avons montré que l'apprentissage machine est une approche alternative prometteuse, avec une meilleure précision que celle du criblage actuel.
La boîte à outils de chimie computationnelle développée dans notre groupe est capable de prédire le comportement des cristaux poreux mous, et de guider la synthèse rationnelle de nouveaux matériaux aux propriétés physiques ciblées pour des applications. C'est un résultat clé pour la prédiction des propriétés mécaniques non linéaires des matériaux à grande échelle, traditionnellement considérées comme un problème difficile.
Nous commençons très récemment à utiliser ces données comme un ensemble de données de formation afin de prédire les propriétés mécaniques d'un nombre encore plus important de matériaux, en formant un algorithme d'apprentissage machine. Les premiers résultats obtenus sur cette base de données sont encourageants, bien qu'ils soient encore relativement limités par la taille de l'ensemble de données de formation. Nos projets pour l'année prochaine comprennent l'augmentation de la quantité de données disponibles pour la formation, afin de faire des prévisions plus précises. Nous utiliserons également les données produites afin de former une nouvelle génération de champs de force classiques pour les aluminosilicates denses et poreux.
1. R. Gaillac, P. Pullumbi, T. D. Bennett and F.-X. Coudert, Chem. Mater., 2020, 32 (18), 8004–8011
2. S. Krause, J. D. Evans, V. Bon, I. Senkovska, S. Ehrling, P. Iacomi, D. M. Többens, D. Wallacher, M. S. Weiss, B. Zheng, P. G. Yot, G. Maurin, P. L. Llewellyn, F.-X. Coudert and S. Kaskel, Chem. Sci., 2020, 11 (35), 9468–9479
3. S. Chibani and F.-X. Coudert, APL Mater., 2020, 8 (8), 080701
4. F.-X. Coudert, Acc. Chem. Res., 2020, 53 (7), 1342–1350
5. L. R. Redfern, M. Ducamp, M. C. Wasson, L. Robison, F. A. Son, F.-X. Coudert and O. K. Farha, Chem. Mater., 2020, 32 (13), 5864–5871
Les dernières années ont vu l'émergence de nouvelles familles de matériaux nanoporeux cristallins, dont la structure s'adapte à des stimuli externes chimiques ou physiques. Ces modifications des matériaux altèrent alors leurs propriétés, leur conférant ainsi un caractère multi fonctionnel (matériaux dits « intelligents »). L'un des défis de ce domaine est la synthèse rationnelle de matériaux à comportement ciblé, et je propose ici une approche théorique dans cette voie. Tout d'abord, des méthodes de chimie théorique et de modélisation moléculaire seront développées pour prédire les réponses des matériaux à des stimuli tels que température, pression, champ électrique, etc. Ensuite, ces méthodes seront appliquées à une série de matériaux connus, fournissant des données pour le développement d'un algorithme d'apprentissage automatique (machine learning) permettant le criblage de base de données de matériaux hypothétiques à la recherche des matériaux aux propriétés désirées.
Coordination du projet
Coudert François-Xavier (Institut de Recherche de Chimie Paris)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenariat
IRCP Institut de Recherche de Chimie Paris
Aide de l'ANR 218 621 euros
Début et durée du projet scientifique :
mars 2019
- 42 Mois
