Bourse de Master
Sujets de Master 2025- 2026
OBJECTIF
Le PEPR DIADEM ambitionne de transformer en profondeur la recherche en science des matériaux en France, en mobilisant les synergies entre disciplines et en exploitant les apports de l’IA pour accélérer l’ensemble du cycle d’innovation, de la conception à l’application. Cet appel à proposition dans le cadre de la Formation Initiale du PEPR DIADEM a pour objectif de susciter l’intérêt et d’attirer de jeunes talents vers la recherche en science des matériaux, avec une ouverture vers l’intégration de l’intelligence artificielle.
Ce dispositif, d’un montant maximum de 5000 € par projet, vise à financer la gratification de stage pour un étudiant de Master 1, de Master 2 ou équivalent, de fournir un complément à une gratification ou l’environnement financier d’un stage existant. Un nombre de 10 à 15 projets seront retenus.
DÉROULEMENT
- juillet 2025 - Lancement de l’appel à projets
- 15 septembre 2025 - Deadline proposition de projets
- 30 septembre 2025 - Publication et ouverture candidatures aux étudiants
- 1er décembre 2025 - Clôture des candidatures aux étudiants
- 15 décembre 2025 - Attribution des stages
MODALITÉS
Les propositions de sujets de master seront à transmettre par email à sonia.collaud@grenoble-inp.fr avant le 15 septembre 2025. Les propositions émanant de chercheurs et de chercheuses des établissements d'enseignement supérieurs et des organismes publics de recherche.
Une sélection des projets sera réalisée par le comité de pilotage de DIADEM. Les critères de sélection sont fondés sur la qualité scientifique des projets, leur adéquation avec les objectifs de DIADEM.
Les projets retenus seront publiés, et les étudiants devront soumettre leur candidature directement aux encadrants des projets.
Pour obtenir plus de détails concernant les sujets, les étudiants sont encouragés à contacter les encadrants avant la soumission de candidature.
25 SUJETS RETENUS
| SUBJECT TITLE | KEYWORDS | INSTITUTE | LIEU |
|---|---|---|---|
| Machine learning modelling of new bactericidal coatings based on silver nanoparticles | machine learning, silver nanoparticles, molecular dynamics, DFT, silica, nano-safe-by-design | CEMES laboratory | Toulouse |
| Real-Time XRD Analysis Using Deep Learning | Deep Learning, High Energy X-Ray Diffraction, Steel, Phase transformation | Université Lorraine | Nancy |
| Quantification of dendrite spacing in permanent magnet ribbons: a deep learning approach | Microstructure, deep learning, magnetic materials | CEA LITEN | Grenoble |
| Benchmark of generative AI models for crystal structure prediction | Crystal Structure Prediction (CSP), Generative AI, Generative Adversarial Network, Variational Auto-Encoder, Diffusion Model | ID2M - Institut des Matériaux Jean Rouxel | Nantes |
| In situ and real time characterization of nanomaterials by plasma spectroscopy | Nanomaterials, Flame Spray Pyrolysis, physical chemistry, atomic spectroscopy, laser, aerodynamic lens | CEA-Saclay | Gif-sur-Yvette |
| Simulation of Nanorod Assemblies and SAXS Pattern | nanorods, self-assembly, SAXS simulation, Fourier transform, voxelization, PyBullet, applied mathematics, computational materials science | INSA Toulouse | Toulouse |
| Thin film deposition and conception assisted by AI for corrosion | Thin films, artificial intelligence, magnetron sputtering, HiPIMS, corrosion, neural networks, XRD, SEM, spectroscopy | INSTN, CEA-Saclay | Gif-sur-Yvette |
| Nouvelles méthodes pour l’optimisation de bases de données de mobilité dans les alliages | Bayesian optimization, machine learning, mobility database, microstructure, inverse methods, diffusion couples | ONERA - Département des matériaux et structures | Châtillon |
| Beam Me to the Grain, SCOTTY: Twin-Guided μLaue | automation, AI-guided microscopy, µLaue, crystallography | CEA-MEM and ESRF-BM32 | Grenoble |
| In situ SAXS/WAXS analysis of sustainable cement carbonation curing | energy transition, low-carbon cement and concrete, SAXS, microfluidics, automation | CEA Saclay & Université Paris-Saclay | Gif-sur-Yvette |
| Towards the automation of dislocation density measurement in aluminum alloys using transmission electron microscopy and deep learning | deep learning, transmission electron microscopy, aluminium alloys, dislocations | CEMES | Toulouse |
| Discovering new eco-materials for batteries using Bayesian optimization | Surrogate modeling/Bayesian optimization, material database, environnemental impacts, battery | Uni Toulouse | Toulouse |
| Fabrication of NiO films for perovskite solar cells Poste déjà pourvu |
photovoltaics, thin films, NiO, hybrid perovskites, combinatorial deposition, spatial atomic layer deposition, PEPR DIADEME FASTANANO, PEPR TASE IOTA | Université Grenoble Alpes - LMGP | Grenoble |
| Simulation du point de fusion de nanoparticules Bi–Pt pour le développement de capteurs thermiques miniaturisés : approche IA via ChiMES/MACE et fine-tuning | Nanoparticles, Bi–Pt, Melting point, Molecular dynamics, Machine learning potentials (MACE, ChiMES), DFT, Thermal sensors, AI for materials | Institut de Chimie Physique (ICP) – Uni Paris-Saclay | Paris |
| Development of a Bayesian optimisation pipeline integrated into a catalytic multi-reactor system for self-optimisation of the catalytic reduction of CO₂ into methane | CO2-to-methane, Bayesian optimization, self-optimizing catalytic process, heterogeneous catalysis | UCCS / REALCAT platform | Villeneuve D'Ascq |
| NT-Race - développement d’un système d’extraction de la cinétique de croissance des nanotubes de carbone | carbon nanotubes, growth kinetics, videos, AI analysis, AI recognition, AI tracking | Institut Lumière Matière | Lyon |
| Two-photon polymerization of organic and hybrid photoresists for the application of artificial intelligence in 3D printing of photonic materials | additive manufacturing, optical characterization | IRCICA Institute | Villeneuve d’Ascq |
| AI-driven electronic response of nanoporous carbon electrodes in molecular dynamics simulations of supercapacitors | Machine learning, supercapacitors | Ecole Normale Supérieure - Campus Ulm - LPENS | Paris |
| Real-space structural assessment of local disorder in inorganic materials | X-ray scattering, pair-distribution function, nanomaterials characterization, machine learning | Sorbonne Université - Lab. Chimie de la Matière Condensée de Paris | Paris |
| Modelling halide electrolytes for solid-state batteries with machine learning interatomic potentials | Solid-state batteries, Machine learning interatomic potentials, atomistic simulations | CNRS | Bordeaux |
| Atomistic investigation of liquid metals in the context of nuclear accident scenarios | Liquid metals, atomistic simulations, machine-learning interatomic potentials | CEA Cadarache | Cadarache, 13108 Saint-Paul-lès-Durance |
| Machine Learning of Electro-Optical Properties with Graph Neural Networks | Machine Learning, Materials Science, Pockels Effect, Graph Neural Networks, Computational Materials Science, Electro-Optics | Grenoble-INP, SIMaP | Grenoble |
| Hybrid Machine Learning Models for Molecular Dynamics simulations of material properties | physically recurrent neural networks; materials science; molecular dynamics; surrogate modelling | CNRS | Rennes |
| Combinatorial mapping of the electrochemical reactivity of composition-gradient thin films with operando Raman and contact angle monitoring | Combinatorial mapping, advanced magnetron co-sputtering, oxide thin films, operando Raman and electrochemical monitoring, operando drop-cell measurements | Sorbonne Université | Paris |
| AI-Driven Neural Operators for Modeling of Phase Transformations in Materials | Phase transformations, Phase-field models, Partial differential equations, PINNs, Neural operators | Institut Jean Lamour (IJL) and Institut Élie Cartan de Lorraine (IECL) | Nancy |