Etudiant : ZEROUALI AMRI YASSINE

Filière : Master Physique des Nouveaux Matériaux et Energies Renouvelables (PNOMER)

Encadrant : Pr. KHARBACH JAOUAD

Annèe : 2025

Résumé : Ce travail de fin d'études s'inscrit dans le domaine de la physique des matériaux et explore l'intégration des méthodes traditionnelles de calcul ab initio, notamment la Théorie de la Fonctionnelle de la Densité (DFT), avec les techniques modernes d’intelligence artificielle, en particulier l’apprentissage automatique, pour la prédiction des propriétés électroniques des matériaux. À travers l’étude de trois composés de type Li2X (X = S, Se, Te), l’énergie de la bande interdite a été calculée via DFT, puis utilisée comme base d’entraînement pour des modèles de machine learning. Les résultats montrent que le machine learning permet d’estimer efficacement les propriétés de composés similaires, tout en nécessitant des données préalables issues de DFT. Ainsi, l’étude souligne la complémentarité actuelle entre les deux approches, et suggère que leur combinaison peut accélérer la découverte de nouveaux matériaux dans un cadre fiable et optimisé.