Combiner les méthodes ab initio et l'apprentissage automatique pour l'étude de la spectroscopie Raman et des défauts dans les matériaux 2D

Abstract

Ma thèse porte sur l’étude théorique des défauts dans les matériaux 2D, ainsi que sur le déveleppoment de nouvelles méthodologies basées sur l’apprentissage automatique. Ces méthodologies permettent d’augmenter nos capacités prédictives par rapport aux calculs ab initio, par le biais de prédictions directes et indirectes de la réponse Raman de matériaux comme le graphène et le nitrure de bore. Je présente d’abord des résultats de calculs DFT reliés à la fonctionnalisation du graphène par plasma d’azote, qui ont permis une meilleure compréhension des résultats du processus de dopage, mais aussi de la dynamique de création des sites fonctionnalisés. Au cours de ces travaux, il est devenu évident qu’une meilleure compréhension des résultats expérimentaux obtenus par spectroscopie Raman était primordiale pour l’étude des défauts dans les matériaux 2D. Afin d’accomplir cet objectif, le reste de mes travaux porte sur l’apprentissage automatique qui permet des prédictions plus rapides et à plus grande échelle que la DFT. Je me penche d’abord sur l’étude de la prédiction de dérivées à partir de modèles d’apprentissage automatique, une étape primordiale pour les méthodologies que je voulais développer. Ensuite, je présente deux différentes méthodologies développées pour la prédiction de la réponse Raman de matériaux. La première émule étroitement les méthodes ab initio en prédisant directement les fonctions de réponse et en calculant explicitement leurs dérivées pour obtenir les quantités sous-jacentes aux spectres. La seconde méthodologie repose sur la prédiction précise des perturbation aux modes de phonons par la présence de défauts puis à la prédiction de nouvelles intensités Raman suite à ces perturbations. My thesis presents results obtained during my theoretical studies of defects in 2D materials and during my development work on new methodologies based on machine learning. Those methodologies allow to improve our predictive capabilities with respect to ab initio calculations, by using both direct and indirect predictions of the Raman response of materials like graphene and boron nitride. I first present DFT calculations results related to functionalisation of graphene using a nitrogen plasma, which allowed a better comprehension of the observed results of this experimental method, but also of the dynamics behind the creation of functionalized configurations. During the work behind these results, it became clear that a better understanding of experimental Raman spectroscopy intensities was primordial for the study of defects in 2D materials. To reach this goal, the remainder of my work is centered on machine learning methodologies that allow for faster and much bigger predictions than DFT. I initially look into predictions of derivatives from machine learned models, a critical step for the methodologies I needed to develop. Following this, I present two separate workflows for the prediction of the Raman response of materials. The first one emulates closely ab initio methods by directly predicting response functions and explicitly calculating their derivatives to obtain the quantities underlying Raman spectra. The second one is based on the precise prediction of the perturbation of phonon modes in the presence of defects followed by the prediction of new Raman intensities due to these perturbations.