Carbonitride Metal Navigator

Description du projet

Libérer le potentiel des carbonitrures métalliques

Les carbonitrures métalliques, des composés associant des métaux abondants sur Terre à du carbone et de l’azote, présentent des propriétés mécaniques, électroniques, catalytiques et supraconductrices remarquables, avec des applications potentielles dans l’énergie propre, la catalyse et les technologies quantiques. Ils sont restés peu explorés en raison du coût et du temps nécessaires pour utiliser les méthodes conventionnelles de théorie de la fonctionnelle de la densité (DFT) afin d’explorer systématiquement ce vaste espace chimique. Avec le soutien du programme Actions Marie Skłodowska-Curie, le projet CarMeN vise à atteindre une précision proche de celle de la DFT pour une fraction du coût computationnel. Des potentiels appris par machine à partir de données DFT de haute qualité seront combinés à la prédiction de structures cristallines afin de permettre une cartographie systématique de composés de carbonitrures métalliques stables et métastables dotés de propriétés recherchées. Les candidats prédits seront validés quant à leur faisabilité expérimentale.

Objectif

The CarMeN (Carbonitride Metal Navigator) project aims to revolutionize the discovery of functional materials by combining machine learning (ML) with crystal structure prediction (CSP) to accelerate exploration of the vast and underexplored space of metal carbonitrides (MCNs). MCNs, composed of earth-abundant metals with carbon and nitrogen, exhibit exceptional mechanical, electronic, catalytic, and superconducting properties, making them highly relevant for sustainable energy, catalysis, quantum technologies, and advanced manufacturing. Despite this promise, only a small fraction of MCN compounds has been studied due to the limitations of conventional density functional theory (DFT) methods.

The project overcomes these bottlenecks by developing machine-learned potentials (MLPs) trained on high-quality DFT data, achieving near-DFT accuracy at orders-of-magnitude lower cost. These MLPs will enable high-throughput CSP, systematically mapping stable and metastable MCN phases while incorporating multi-objective optimization to identify compounds with technologically desirable properties. Predicted structures will be rigorously validated through phonon stability checks, property calculations (mechanical, electronic, catalytic, and energetic), and synthetic pathway analysis, ensuring experimental feasibility.

The methodology is structured across five work packages: (i) project and data management under FAIR principles, (ii) MLP development, (iii) ML-accelerated CSP, (iv) property evaluation and synthesis-informed validation, and (v) dissemination and open science practices. By uniting interdisciplinary advances in machine learning, computational chemistry, and materials science, CarMeN will establish a scalable discovery paradigm that bridges theoretical prediction and practical application. Ultimately, the project seeks to deliver sustainable, high-performance materials while advancing open, reproducible practices in computational materials research.