Stage Développement d’approches data-driven pour le lien structure- propriétés de petites molécules (F/H)

Stage Développement d’approches data-driven pour le lien structure- propriétés de petites molécules (F/H)

- - - - - - - - - - - -

Contexte :

Pour garantir l’excellence de ses services et de ses produits, Michelin développe depuis sa naissance des matériaux innovants, capables de satisfaire à de fortes contraintes sur une multitude de performances. Ses solutions relèvent de la connaissance d’une structure microscopique complexe : des charges inorganiques nanoscopiques sont intégrées dans une matrice composée de plusieurs phases polymères et enrichie avec adjuvants et molécules de différentes natures chimiques. On appelle cela en interne un « mélange ». De nombreuses espèces chimiques, qu’elles soient partie intégrante de la composition du pneumatique ou qu’elles viennent de l’environnement externe, ont tendance à migrer, réagir et amener des évolutions dans les propriétés macroscopiques du matériau. Les méthodes numériques (modélisation, dynamique moléculaire, méthodes Monte-Carlo, …) sont de puissants outils pour évaluer et anticiper l’évolution de ce mélange complexe dans son environnement. Elles permettent d’approfondir notre connaissance théorique et de soutenir les enjeux majeurs liés à la recherche de nouveau matériaux innovants et durables.

 

L’essor des méthodes de data science et d’intelligence artificielle offre aujourd’hui de nouvelles perspectives pour établir des relations robustes entre la structure chimique de petites molécules et leurs propriétés / activités physico-‑chimiques.

Dans ce cadre, les approches dites data-driven (QSAR, QSPR, machine learning, deep learning, …) constituent un puissant levier pour accélérer l’exploration chimique, rationaliser les choix de formulation et réduire les besoins en essais expérimentaux ou en simulations lourdes. Leur mise en œuvre nécessite une combinaison de compétences en physico-chimie, modélisation moléculaire, analyse de données et intelligence artificielle.

 

Mission :

L’objectif du stage est de développer et d’évaluer des méthodes de prédiction de propriétés /activités à partir de la structure chimique de petites molécules, en utilisant des approches statistiques et d’apprentissage automatique.

Dans un premier temps, le/la stagiaire :

• Explorera la littérature et les outils existants (benchmark, descripteurs moléculaires, algorithmes d’apprentissage, graph-based representations, …) ;

• Prendra en main un environnement de calcul adapté (Python, librairies de machine learning, bases de données moléculaires) ;

-          Identifiera les bases de données pertinentes et en extraira les informations nécessaires à la conduite de ses travaux.

Il s’agira ensuite de constituer un pipeline de traitement des données :

• Préparation et nettoyage de bases moléculaires ;

• Génération et sélection de descripteurs pertinents ;

• Mise en place et entraînement de modèles prédictifs (QSAR/QSPR, algorithmes de régression ou de classification, réseaux de neurones, …) ;

• Validation croisée et comparaison aux données expérimentales et/ou issues de la simulation.

L’analyse critique des résultats permettra de déterminer la robustesse des approches, d’identifier les limites et d’orienter de futures améliorations. Selon l’avancement, une extension vers des architectures avancées (graph neural networks, modèles génératifs, couplage avec la simulation moléculaire, …) pourra être envisagée.

 Livrable :

Le/la stagiaire devra fournir les livrables suivants :

• Un pipeline transférable, reproductible et documenté pour la prédiction de propriétés moléculaires à partir de données structurales.

• Une analyse comparative des performances des différents modèles testés, y compris les modèles benchmark.

• Un rapport de ses travaux incluant les méthodes, résultats et conclusions. 

• Une présentation de fin de stage aux équipes inclues dans son suivi. 

 

Apport pour le/la candidat.e :

Ce stage offrira l’opportunité de découvrir et de mettre en pratique des méthodes modernes de datascience appliquées à la chimie des matériaux. Le stagiaire acquerra une expérience concrète en machine learning, en exploitation de base de données, en traitement de l’information et en modélisation structure–propriétés / activités. Il évoluera au sein d’un environnement de R&D industriel, en interaction avec des spécialistes en physico‑chimie, en modélisation numérique et en science des données.

 

Localisation et durée:

Le stage se déroulera à Clermont-Ferrand, pendant 6 mois, idéalement de février à juillet 2026.

 

Profil Recherché

Le/la candidat.e doit être en étude scientifique, en école d’ingénieur ou en université, de niveau BAC+5.

Pour ce sujet à l’interface des mathématiques appliquées et de la physico-chimie des matériaux, on demande des bases robustes en traitement de données et approches computationnelles appliquées à la chimie. Des compétences en physico-chimie et physique des polymères sont souhaitables. Une expérience de développement Python dans un environnement Git avec intégration et déploiement continus (CI/CD) est un plus.  Le/la candidat.e doit avoir une appétence pour la simulation numérique, et la science des matériaux. Rigueur scientifique, autonomie et bonne communication sont des qualités qui sont recherchées chez le/la candidat.e.

 

- - - - - - - - - - - -