Etudiant : ZNATI ILHAM

Filière : LF SMP - Option Electronique

Encadrant : Pr. NAJI MOHAMED

Annèe : 2026

Résumé : Ce mémoire présente une étude approfondie des méthodes d’apprentissage automatique (Machine Learning) appliquées à la prédiction des énergies de bande interdite (band gap energies) de matériaux inorganiques. La première partie est consacrée à l’apprentissage supervisé : nous y décrivons les fondements mathématiques de la régression linéaire et polynomiale, de la régression logistique, des arbres de décision, du Random Forest et de XGBoost, ainsi que les métriques d’évaluation associées (MAE, RMSE, R2, F1-score, AUC-ROC). La deuxième partie traite de l’apprentissage non supervisé, avec une présentation des algorithmes de clustering (K-Means, DBSCAN), de la réduction de dimensionnalité par Analyse en Composantes Principales (ACP) et des méthodes de détection d’anomalies. La troisième partie constitue le coeur applicatif de ce travail : un pipeline complet de prédiction des band gap energies a été implémenté en Python à partir d’un dataset de 6 354 composés minéraux décrits par leur formule chimique brute. Après nettoyage et featurisation via la bibliothèque Matminer (preset Magpie, 132 descripteurs), trois algorithmes de régression supervisée ont été entraînés et comparés : Random Forest, XGBoost et un réseau de neurones artificiels (ANN). XGBoost s’est imposé comme le meilleur modèle, atteignant un coefficient de détermination R2 = 0,8559, une erreur absolue moyenne MAE = 0,3288 eV et une erreur quadratique moyenne RMSE = 0,5879 eV sur le jeu de test. Ces résultats démontrent la capacité du machine learning à prédire efficacement les propriétés électroniques des matériaux à partir de leur seule composition chimique, ouvrant des perspectives prometteuses pour l’accélération de la découverte de nouveaux matériaux fonctionnels.