Ashna JOSE

Résumé: 

Les réseaux organo-métalliques (MOF) à transition de spins (SCO) sont des matériaux poreux capables de changer leur état de spin en réponse à des sollicitations externes. Cette propriété permet d’améliorer l’efficacité du processus de capture et de libération des gaz grâce à la variation de l’énergie de liaison de ceux-ci lors d’un changement d’état de spin. Découvrir de nouveaux MOF-SCO reste un défi, notamment en raison

des limitations des méthodes de calcul pour déterminer numériquement les énergies de spin avec précision. Bien que des approches d’apprentissage automatique aient été utilisées pour prédire les propriétés thermodynamiques des MOF-SCO, leur utilisation se limite aux complexes de métaux de transition, en particulier Fe(II) en coordination octaédrique. La complexité et la taille des MOF, ainsi que l’intervention humaine importante et l’effort numérique intensif requis pour déterminer précisément leur propriétés thermodynamiques, font que le nombre de données étiquetées disponibles reste faible, ce qui représente une entravé à leur identification et leur découverte.

Pour surmonter ces défis, une approche d’apprentissage actif, nommée apprentissage actif sur arbres de régression (RT-AL), est développée dans cette thèse. La méthode consiste à échantillonner les données d’entraı̂nement les plus informatives en utilisant la partition donnée par un arbre de régression. En comparant ses performances à celles des meilleures techniques d’apprentissage actif, cette méthode s’avère compétitive et plus cohérente pour différentes bases de données, ainsi que pour différents types de propriétés. Les performances de la méthode sont évaluées sur des bases de données de MOF synthétisés et hypothétiques pour prédire le gap électronique et les propriétés d’adsorption des gaz. Des descripteurs adaptés à différentes propriétés sont étudiés dans un régime de données peu nombreuses, et il est apparu que des descripteurs plus simples et de faible dimension sont plus appropriés pour prédire ces propriétés lorsque moins de données étiquetées sont disponibles. Un workflow complet est ensuite conçu pour prédire les différences d’énergie adiabatique dans les MOFs et identifier ceux pouvant subir une transition de spin. Le jeu de données MOF-2184 est considéré, et une extension de RT-AL, développée dans ce travail et nommée apprentissage actif quantile sur arbres de régression (QRT AL), est utilisée pour sélectionner des échantillons d’entraı̂nement, de manière à se focaliser davantage sur les valeurs des données étiquetées dans les régions intéressantes. En utilisant le gestionnaire AiiDA, ce workflow, nommé SCO-MOF, est développé pour automatiser les calculs dans le cadre de la théorie de la fonctionnelle de la densité (DFT) en spin polarisé et pour calculer les différences d’énergie adiabatique. Des modèles fondés sur des arbres ensemblistes sont entraı̂nés pour faire des prédictions sur des données non vues lors de l’entrainement, et des MOFs intéressants pour la capture du carbone sont identifiés. Ce travail est le premier dans le domaine de la découverte ”data-driven” de MOF à transition de spins pour la capture du carbone et ouvre la voie à de nombreuses autres possibilités.