Laboratoire de Chimie et Physique Quantiques - UMR5626

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 gauche à droite, au secong rang : Xavier Gadéa, Mathias Rapacioli, Sophie Hoyau, Fernand Spiegelman ; au premier rang : Camille Alauzet, Quentin Desdion, Fabienne Bessac, Aude Simon, Maia Courtiel, Héloïse Leboucher, Maysa Yusef Buey.

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.