Université Paul Sabatier - Bat. 3R1b4 - 118 route de Narbonne 31062 Toulouse Cedex 09, France



Accueil > Equipes > Modélisation, agrégats, dynamique (MAD)

Modélisation, agrégats, dynamique (MAD)

L’équipe « Modélisation, agrégats, dynamique » est constituée de trois enseignants-chercheurs et quatre chercheurs. Depuis 2020, la responsabilité de l’équipe est assurée par Aude SIMON.

L’équipe MAD développe une activité de modélisation et de simulation numérique pour étudier les agrégats atomiques et moléculaires complexes dont les domaines de tailles peuvent aller de quelques atomes ou dizaine d’atomes à quelques milliers. Son domaine de recherche se situe donc à l’interface physique-chimie et présente une forte interaction avec plusieurs équipes expérimentales. Une part importante des travaux réalisés par l’équipe MAD concerne le développement et l’implémentation de méthodes théoriques permettant la description de nombreuses propriétés :
- structurales en caractérisant la nature des isomères
- thermodynamiques
- transition structurales
- spectroscopie infra-rouge
- états électroniques excités et spectroscopie électronique
- réactivité
- agrégation et fragmentation
- dynamique en temps réel du système après dépôt d’énergie (par photon ou par collision) dans l’état fondamental ou dans les états excités
- comportement aux temps longs (évaporation, multifragmentation ...)

De haut en bas et de gauche à droite : Christophe Iftner, Xavier Gadea, Sarah Rodriguez, Bastien Belzunces, Fabienne Bessac, Kseniia Korchagina, Aude Simon, Jérôme Cuny, Sophie Hoyau, Luiz F. Oliveira, Fernand Spiegelman, Mathias Rapacioli
De haut en bas et de gauche à droite : Christophe Iftner, Xavier Gadea, Sarah Rodriguez, Bastien Belzunces, Fabienne Bessac, Kseniia Korchagina, Aude Simon, Jérôme Cuny, Sophie Hoyau, Luiz F. Oliveira, Fernand Spiegelman, Mathias Rapacioli

Les approches utilisées dans l’équipe reposent essentiellement sur des simulations de dynamique moléculaire où la structure électronique est décrite explicitement par des approches fonctionnelle de la densité (DFT) et liaison forte basée sur la DFT (DFTB). L’un des axes de recherche future de l’équipe est la description d’agrégats par des approches « supervised machine learning » où les potentiels d’interaction sont obtenus par entraînement de réseaux neuronaux ou « Deep Neural Network Potentials » (DNNP). L’équipe est actuellement impliquée dans plusieurs projets ANR, GROWNANO (2022-2025) et BIRD (2024-2028) parmi les plus récents. Elle est également très impliquée dans le GDR EMIE 3533 du CNRS.