Présentation de l'équipe
L’équipe MPC mène une recherche pluridisciplinaire centrée sur la modélisation, la caractérisation et la compréhension de systèmes moléculaires, matériaux ou milieux complexes – y compris d’intérêt biologique, ainsi que de nano-matériaux. Une spécialité commune à l’ensemble de l’équipe est la maîtrise des calculs de structure électronique de type théorie de la fonctionnelle de la densité (DFT). Cette expertise est complétée par des compétences en dynamique moléculaire et en optimisation de champs de force, ainsi que par des compétences avancées en calculs GW, qui permettent d’accéder aux propriétés électroniques excitées avec une meilleure précision que la DFT.
L’équipe développe donc une approche théorique fondée sur la modélisation DFT inscrite plus globalement dans le champ de la chimie physique, en abordant de manière cohérente la structure électronique, la stabilité thermodynamique, les paramètres cinétiques et les propriétés spectroscopiques. En collaboration étroite avec des équipes expérimentales, elle s’attache à fournir un éclairage théorique capable de nourrir un dialogue approfondi entre théorie et expérience. Les simulations spectroscopiques jouent un rôle central, en constituant un outil essentiel de confrontation directe avec les données expérimentales. Ce lien fort entre théorie et expérience constitue un pilier fondamental du fonctionnement scientifique et du savoir-faire de l’équipe MPC.
Plus récemment, la thématique de l’intelligence artificielle appliquée à la chimie a connu un développement significatif dans l’équipe. Nous explorons en particulier l’apport des méthodes de machine learning à la prédiction de propriétés, à la classification de composés, au design in silico, ainsi qu’à l’analyse de données expérimentales. Ces travaux s’inscrivent dans une volonté de développer des approches transverses, en croisant modélisation, science des données et IA, afin de renforcer la capacité prédictive des modèles et d’approfondir le dialogue théorie-expérience. L’IA ne nous a pas fait perdre notre âme, car nous introduisons de manière quasi-systématique de l’intelligence artificielle explicable (XAI). Elle apporte de la transparence aux modèles d’apprentissage profond en révélant les facteurs moléculaires qui sous-tendent leurs prédictions. En chimie, elle établit un lien entre la modélisation fondée sur les données et la compréhension mécanistique, transformant les modèles « boîtes noires » en outils de raisonnement et de découverte. En reliant les descripteurs aux relations structure–propriété, l’XAI renforce la confiance dans les décisions assistées par l’IA. L’axe « IA », en plein essor dans l’équipe MPC, constitue aujourd’hui un levier stratégique pour l’évolution de ses activités de recherche.