Active-MOF

Ce projet vise à améliorer notre robot automatisé de synthèse à haut débit de pointe afin de doubler sa capacité de criblage. Il est directement lié au projet Active-Multi-MOF ChemAI (bourse de doctorat financée par PSL ChemAI). Le projet Active-Multi-MOF vise à développer une approche fondée sur les données pour optimiser la synthèse de réseaux métallo-organiques multivariés (MOF), en utilisant des méthodes d’apprentissage actif pour piloter une synthèse robotisée à haut débit. À ce jour, la grande majorité des méthodes de découverte de MOF reposent sur la sérendipité, les méthodes de criblage computationnel étant incapables de prédire la faisabilité de la synthèse ou de contrôler les conditions de synthèse. En intégrant l’acquisition de données expérimentales à l’apprentissage automatique, le projet vise à explorer systématiquement l’effet des paramètres de synthèse et à contribuer à raccourcir le cycle de découverte des MOF. L’optimisation bayésienne guidera la sélection des expériences, afin de minimiser les coûts tout en maximisant les informations obtenues.

Nous développerons cette méthodologie sur une famille spécifique de matériaux : les MOF multivariés (MTV-MOF). En effet, les MOF à ligands mixtes ou à métaux mixtes peuvent offrir de meilleures propriétés d’adsorption, de séparation ou d’activité catalytique que leurs composés parents, mais ils sont difficiles à caractériser en raison de leur complexité structurale et/ou de la nécessité de mettre en œuvre des processus d’activation soigneusement contrôlés.

En se concentrant sur l’optimisation guidée par l’apprentissage automatique, cette recherche s’appuiera sur les infrastructures et collaborations existantes, garantissant ainsi sa faisabilité dans le cadre d’une thèse de doctorat. Cette intégration innovante de l’apprentissage actif et de la robotique offre une approche plus systématique de la découverte de matériaux, en mettant l’accent sur l’efficacité à la fois en termes de données et de consommation de produits chimiques.