Résumé :

Les nanoparticules bimétalliques combinent deux métaux pour accéder à un paysage structural et électronique inatteignable par chaque composant seul. Le système bismuth-platine (Bi-Pt) illustre cette polyvalence :  il peut former des alliages désordonnés, des architectures cœur-coquille, des morphologies Janus ou des phases intermétalliques ordonnées, avec des applications allant de la catalyse à la mesure de température dans les réacteurs nucléaires, en passant par la nanomédecine où les nanoparticules Bi-Pt fonctionnalisées par ligands suscitent un intérêt croissant. Cet espace configurationnel, démultiplié par la présence de ligands en surface, étant trop vaste pour un échantillonnage DFT exhaustif, cette thèse développe des potentiels interatomiques d’apprentissage automatique (ML-IAP) pour l’explorer, en utilisant la DFT (fonctionnelle PBE corrigée des effets de dispersion) comme méthode de référence. La qualité d’un ML-IAP étant conditionnée par celle de ses données d’entraînement, une attention particulière est portée à la construction, à la curation et à la sélection des jeux de données tout au long de ce travail.

Un premier potentiel, CHIMES, est construit par apprentissage actif, le jeu d’entraînement étant enrichi itérativement par les configurations où le potentiel est le moins fiable, et couplé à une optimisation par essaim de particules pour explorer la surface d’énergie du cœur bimétallique. Cette exploration révèle 34 uniques minima Bi20Pt20, dont la classification par apprentissage non supervisé (analyse en composantes principales et clustering sur des descripteurs structuraux) détermine les familles morphologiques dominantes et confirme la ségrégation superficielle du bismuth, due à un transfert de charge du Bi vers le Pt. Elle culmine dans la découverte d’une nanocage Bi₁₈Pt₂₄ absente de tout jeu d’entraînement, offrant un exemple unique pour déterminer la capacité du potentiel à extrapoler au-delà de ses données d’apprentissage.

En s’étendant à un système fonctionnalisé par des ligands représentatif de ces applications, le modèle de fondation MACE MH-1 est évalué tel quel sur le ligand libre et l’interface PEG-bimétallique, où il ne parvient pas à reproduire fidèlement ces structures. L’affinage de MH-1 sur le système Bi-Pt exige alors de constituer un jeu de données à la fois compact et représentatif : un sous-ensemble de 3000 configurations est extrait par une sélection non supervisée pondérée par un critère de diversité, qui maximise la couverture de l’espace configurationnel plutôt que le simple volume de données. Le potentiel obtenu sur ce jeu ainsi curé reproduit les structures relaxées en DFT du ligand et de l’interface bien plus fidèlement que son propre point de départ non affiné, livrant un potentiel de production validé pour l’interaction ligand-bimétallique.