Le Centre national de la recherche scientifique est un organisme public de recherche pluridisciplinaire placé sous la tutelle du ministère de l’Enseignement supérieure et de la Recherche. Créé en 1939 et dirigé par des scientifiques, il a pour mission de faire progresser la connaissance et être utile à la société dans le respect des règles d’éthique, de déontologie et d’intégrité scientifique.

Sujet de thèse :
Le projet GEOLIANT (France 2030) vise à développer un outil d'intelligence artificielle pour accélérer la conception de formulations géopolymères, en prédisant leurs propriétés techniques (porosité, résistance mécanique, durabilité), environnementales (analyse de cycle de vie) et économiques (coût, viabilité), et en identifiant de façon bidirectionnelle des formulations candidates à partir de propriétés cibles souhaitées.

La base constituée au sein du projet — environ 1 600 formulations issues de la littérature (base de Gabriel Sanson, LMDC/INSA Toulouse), enrichie par extraction automatique de nouveaux articles et par les données expérimentales des partenaires — présente une couverture hétérogène et parcellaire : toutes les formulations ne disposent pas des mêmes caractérisations (résistance mécanique, retrait, résistance aux sulfates, DRX, MEB, etc.), et le volume de données exploitables reste limité au regard de la diversité de l'espace de composition (précurseurs, ratios Na₂O/SiO₂, conditions de cure).

L'objectif de la thèse est de développer des méthodes d'augmentation et de génération de données pour combler ces lacunes : imputation de valeurs manquantes en exploitant les corrélations entre propriétés et la proximité physico-chimique entre formulations ; génération de données synthétiques plausibles (par exemple via des modèles génératifs conditionnés par la composition) pour étendre la couverture de l'espace de formulations sans multiplier les essais expérimentaux coûteux ; et pondération de la confiance des données selon leur provenance (donnée partenaire, littérature, ou donnée générée), principe de traçabilité déjà retenu par le projet.

Le/la doctorant·e s'appuiera sur le datalake propriété-graphe en construction et travaillera en lien étroit avec l'autre doctorant·e du projet, les données augmentées/générées alimentant directement les modèles causaux et prédictifs visés par GEOLIANT. Les travaux combineront apprentissage automatique (modèles génératifs, apprentissage sur graphes), gestion de données hétérogènes et incomplètes, et une forte dimension interdisciplinaire avec les experts en science des matériaux du consortium (LMDC), nécessaire pour garantir la plausibilité physico-chimique des données produites.
Contexte :
La thèse s’inscrit dans le cadre du projet GEOLIANT, soutenu par BPI France dans le programme France 2030, visant à développer et industrialiser des liants géopolymères bas-carbone à partir de déchets de chantier, en alternative durable au ciment traditionnel fortement émetteur de CO₂. Le projet repose sur le développement de formulations innovantes et sur la mise en place d’outils numériques et prédictifs basés sur l’intelligence artificielle afin d’accélérer la recherche, l’évaluation et la validation des performances.

Le doctorant ou la doctorante sera rattaché·e au laboratoire LIRIS et travaillera au sein d’un consortium académique et indust
Voir plus sur le site emploi.cnrs.fr...

Le Centre national de la recherche scientifique est l’une des plus importantes institutions publiques au monde : 34 000 femmes et hommes (plus de 1 000 laboratoires et 200 métiers), en partenariat avec les universités et les grandes écoles, y font progresser les connaissances en explorant le vivant, la matière, l’Univers et le fonctionnement des sociétés humaines. Depuis plus de 80 ans, y sont développées des recherches pluri et interdisciplinaires sur tout le territoire national, en Europe et à l’international. Le lien étroit que le CNRS tisse entre ses missions de recherche et le transfert vers la société fait de lui un acteur clé de l’innovation en France et dans le monde. Le partenariat qui le lie avec les entreprises est le socle de sa politique de valorisation et les start-ups issues de ses laboratoires (près de 100 chaque année) témoignent du potentiel économique de ses travaux de recherche.

Contraintes et risques :
Thèse menée dans le cadre d'un projet collaboratif multi-partenaires, impliquant des contraintes de coordination, de planification et de dépendance aux contributions des partenaires.

Dépendance à la qualité et à la disponibilité des données consolidées par ailleurs dans le projet (données partenaires, littérature extraite), dont l'hétérogénéité et le caractère parcellaire conditionnent directement le choix et la performance des méthodes d'augmentation et de génération.

Risque inhérent aux méthodes génératives : absence de garantie a priori de plausibilité physico-chimique des données synthétiques produites, nécessitant une validation itérative avec les experts en science des matériaux du consortium.

Difficulté à évaluer la qualité de données générées en contexte de faible volume de données de référence, pouvant nécessiter des choix méthodologiques et techniques évolutifs (imputation, modèles génératifs, pondération de confiance).

Nécessité d'un équilibre entre automatisation par l'IA et validation humaine, pouvant allonger certaines phases expérimentales.

Contraintes liées aux jalons et livrables contractuels du projet financé par BPI France / France 2030.

Interdisciplinarité du sujet, demandant un temps d'appropriation des notions en science des matériaux et en génie civil.

Déplacements ponctuels possibles pour réunions, ateliers ou validations chez les partenaires du projet.