General information
Organisation
The French Alternative Energies and Atomic Energy Commission (CEA) is a key player in research, development and innovation in four main areas :
• defence and security,
• nuclear energy (fission and fusion),
• technological research for industry,
• fundamental research in the physical sciences and life sciences.
Drawing on its widely acknowledged expertise, and thanks to its 16000 technicians, engineers, researchers and staff, the CEA actively participates in collaborative projects with a large number of academic and industrial partners.
The CEA is established in ten centers spread throughout France
Reference
2023-25779
Description de l'unité
Le Département d'Etudes des Combustibles (DEC) réalise la R&D sur le combustible des réacteurs nucléaires en regroupant des compétences uniques :
- en conception/réalisation d'essais caractérisant le comportement du combustible en conditions normales ou accidentelles par des essais en laboratoires chauds LECA/STAR ou plus intégrés dans des réacteurs de recherche (RR) ;
- en simulation avec des modèles multiéchelles, multiphysiques et multifilières (plateforme PLEIADES).Le point fort du département est d'associer étroitement la simulation numérique aux expériences, à toutes les échelles
Position description
Category
Materials, solid state physics
Contract
Postdoc
Job title
Generative deep-learning modeling of atomic transport in chemically disordered nuclear fuels H/F
Subject
The goal of the project is to use deep-learning generative modeling to study atomic-transport phenomena in chemically disordered compounds such as uranium-plutonium mixed oxides, a type of nuclear fuel that allows for a drastic reduction of the volume and radiotoxicity of spent-fuel waste.
Contract duration (months)
12
Job description
The goal of this project is to combine machine-learning interatomic potentials and generative deep-learning methods to study the physico-chemical properties of (U,Pu)O2 nuclear fuels, and compute the datasets needed to simulate their physical behavior at the micro-structure and macroscopic scales. The candidate will develop and test various models, and use the most appropriate ones to determine the atomic-scale diffusion coefficients, which are essential for predicting the irradiation-induced microstructure evolution.
The work will be carried out at the Nuclear Fuel Department of the CEA, under the supervision of Luca MESSINA and Johann BOUCHET, in a scientific environment characterised by a high level of expertise in materials modelling. Other CEA teams in the Paris region specialised in machine-learning methods will be involved as well, including Jean-Bernard MAILLET and Cosmin MARINICA. The results will be promoted through scientific publications and participation in international conferences.
The candidate must hold a PhD in solid state physics/chemistry or applied mathematics since no earlier than 2020.
Dans ce projet, des potentiels interatomiques machine learning et des méthodes génératives de deep learning seront combinés pour étudier les propréités physico-chimiques des combustibles nucléaires (U,Pu)O2, et de calculer les données nécessaires pour simuler leur comportement physique à l'échelle de la microstructure et macroscopique. Le/la candidat·e sera chargé·e du développement et test de divers modèles, et utilisera les plus adaptés pour déterminer les coefficients de diffusion atomique, qui sont essentiels pour prédire l'évolution de la microstructure.
Les travaux se dérouleront au Département d'Étude des Combustibles du CEA Cadarache, sous la direction de Luca MESSINA and Johann BOUCHET, dans un laboratoire caractérisé par un haut niveau d'expertise en modélisation des combustibles nucléaires. D'autres équipe du CEA en région parisienne seront également impliquées, dont Jean-Bernard MAILLET and Cosmin MARINICA. Les résultats seront valorisés para des publications scientifiques et la participation à des conférences internationales.
Le/la candidat·e doit être titulaire d'un doctorat en physique/chimie du solide ou en mathématiques appliqués, obtenu depuis 2020 ou après.
References (DOI) :
10.1126/science.aaw1147 ; 10.1021/acs.jctc.0c00355 ; 10.1103/PhysRevMaterials.5.103803
Methods / Means
Deep learning, autoencoders, DFT, LAMMPS, MiLaDy
Applicant Profile
The candidate must have obtained a PhD in solid state physics/chemistry or applied mathematics, no earlier than 2020.
A base knowledge of machine-learning techniques, good programming skills, and previous experience in atomic-scale modeling are necessary.
Position location
Site
Cadarache
Job location
France, Provence-Côte d'Azur, Bouches du Rhône (13)
Location
Saint-Paul-lez-Durance
Candidate criteria
Recommended training
PhD in solid state physics/chemistry or applied mathematics/machine learning
PhD opportunity
Non
Requester
Position start date
01/03/2023
Je me crée un espace candidat
