L’intelligence artificielle au service des batteries : découverte accélérée des électrolytes

Comment l’intelligence artificielle révolutionne la découverte des électrolytes pour batteries de nouvelle génération

La conception de batteries plus performantes pour voitures électriques, téléphones ou encore le stockage d’énergie à grande échelle passe par la découverte d’électrolytes puissants. Cette étape reste un véritable défi scientifique, car il faut trouver un équilibre délicat entre conductivité, stabilité et efficacité des électrolytes, des critères souvent contradictoires.

Un triptyque difficile à concilier

Les électrolytes les plus stables ne sont pas forcément les plus conducteurs, tandis que les batteries les plus efficaces ne sont pas toujours les plus stables. Selon Ritesh Kumar, chercheur à l’Université de Chicago, les propriétés demandées aux électrodes sont souvent en conflit, rendant l’optimisation particulièrement complexe.

L’IA au service de la recherche moléculaire

Une étude récente publiée dans Chemistry of Materials présente une approche novatrice qui mise sur l’intelligence artificielle (IA) et le machine learning pour accélérer cette recherche. En exploitant une base de données compilée à partir de 250 publications scientifiques couvrant plus de 50 ans, les chercheurs ont créé un score nommé « eScore » qui évalue les molécules selon leurs performances sur les trois critères essentiels.

Cette méthode permet d’identifier rapidement les molécules prometteuses, ce qui évite aux scientifiques les essais fastidieux et souvent infructueux. L’équipe a notamment démontré qu’une molécule sélectionnée par leur IA égalait les meilleurs électrolytes commerciaux, une avancée majeure dans un domaine où la recherche par essais-erreurs est la norme.

Une base de données construite à la main

Le travail préparatoire repose sur une saisie manuelle des données issues d’images dans les articles scientifiques (graphes, diagrammes), un processus long et minutieux car les modèles de langage actuels peinent à extraire automatiquement ces données visuelles. Cette étape est cruciale pour fournir à l’IA un large corpus d’informations fiables.

Comprendre et dépasser les limites de l’IA

L’IA montre une grande précision pour prédire les performances des molécules similaires à celles déjà connues, mais rencontre des difficultés face à des composés très différents de ses données d’entraînement. Le défi pour les chercheurs est désormais d’améliorer la capacité de l’IA à innover, c’est-à-dire à proposer de nouvelles molécules jamais testées auparavant.

Une analogie musicale pour expliquer l’approche

Le chercheur Chibueze Amanchukwu compare l’IA à un système de recommandations musicales. Tout comme un algorithme qui apprend vos goûts pour suggérer des chansons adaptées, l’IA évaluera les molécules selon un « goût » chimique personnalisé. L’objectif final est d’aller au-delà de la sélection pour que l’IA puisse « composer » elle-même de nouvelles molécules répondant aux critères définis.

Cette démarche ouvre la voie à une révolution dans la conception de batteries, rendant possible la création plus rapide et efficace d’électrolytes sur mesure, et donc de batteries plus performantes et durables.

👉 Source ici

A lire ensuite