Machine learning pour la découverte accélérée d’alliages durables

Sujet détaillé

La production de déchets d’équipements électriques et électroniques (DEEE) est en forte augmentation au niveau mondial avec plusieurs millions de tonnes générées chaque année, dont seulement 17% sont collectés et recyclés.

Les cartes électroniques (PCBs pour Printed Circuit Boards) renferment une majeure partie de la valeur de ces déchets, de par les nombreux métaux qu’ils contiennent (or, argent, étain, cuivre…). Les composants électroniques (capacitances, diodes…) sont de plus réutilisables mais sont soudées à la surface des PCBs.

Afin de récupérer ces composants électroniques et les réutiliser/recycler, les procédés thermiques de fusion de la soudure sont largement employés au niveau mondial. Ces procédé entraînent une consommation d’énergie importante pour atteindre la température de fusion des soudures utilisées. Actuellement, les soudures sont majoritairement composées de SAC (mélange argent-étain-cuivre) dont la température de fusion est supérieure à 200°C. De plus, à ces températures, il existe un risque d’endommager les plastiques et les composants électroniques, mais aussi de volatiliser ou disperser des substances toxiques dans l’environnement (arsenic, plomb, retardateurs de flammes…).

Ce sujet de stage vise à employer des méthodes de machine learning afin d’accélérer la découverte et la caractérisation de nouveaux alliages plus adaptés au démontage et recyclage, ainsi que leurs propriétés. Il est en effet essentiel de s’assurer que les propriétés de ces soudures soient adéquates pour permettre leur déploiement à l’échelle industrielle.

L’étudiant sera amené à constituer une base de données par une étude de la littérature, à déployer des algorithmes de machine learning et éventuellement à vérifier expérimentalement les propriétés prédites par ces algorithmes.

L’étudiant évoluera au cours de son stage dans un environnement international et sera impliqué dans plusieurs collaborations. Dans ce contexte, ce projet devrait potentiellement aboutir à des retombées sociétales significatives.

Ce stage est donc une excellente opportunité de croissance professionnelle tant d’un point de vue de vos connaissances, que de vos savoir-faire.

Le candidat recherché est un étudiant en dernière année d’école d’ingénieur ou en Master 2. Il doit avoir de solides compétences en machine learning et visualisation des données, notamment en Python et les librairies associées (scikit-learn, matplotlib…). Une expérience dans l’utilisation d’algorithmes pour la prédiction de données continues, tels que les forêts aléatoires et les machines à vecteurs de support (SVM), est requise. Des connaissances en chimie ou en physique sont souhaitées, avec un appétit pour le travail expérimental en laboratoire. Le candidat doit être capable de réaliser des recherches bibliographiques. Autonomie, esprit analytique et intérêt pour les enjeux environnementaux sont des qualités importantes.

Lieu du stage

CEA-Saclay, (91) Essonne, France

Conditions de stage

• Durée du stage : 6 mois
• Niveau d’étude requis : Bac+5
• Formation : Master 2
• Poursuite possible en thèse : Non
• Date limite de candidature : 3 mars 2025

Méthodes, techniques :

• Programmation (Python…),
• Machine learning (SVM, random forests…),
• Visualisation des données (matplotlib…)

Langages informatiques et logiciels : Python

Responsable du stage

Guillaume Zante
Tél. : 0169089083
Email :