IA et apprentissage automatique accélèrent la recherche d'électrolytes pour les batteries de nouvelle génération

Une approche Big Data pour les électrolytes des batteries de prochaine génération Découvrir des électrolytes puissants et novateurs constitue l'un des principaux verrous dans la conception des batteries de prochaine génération pour véhicules électriques, téléphones, ordinateurs portables et stockage d'énergie à grande échelle. Le problème se pose car souvent les électrolytes les plus stables ne sont pas les plus conducteurs, et inversement. Cela nécessite de trouver des molécules capables de maximiser trois propriétés essentielles pour un électrolyte idéal : la conductivité ionique, la stabilité oxydative et l'efficacité coulométrique. Ritesh Kumar, chercheur postdoctoral en Intelligence Artificielle (IA) pour la science à l'Université de Chicago Pritzker School of Molecular Engineering (UChicago PME), est le premier auteur d'un article publié dans Chemistry of Materials. Cet article décrit une nouvelle structure basée sur l'IA et l'apprentissage automatique (machine learning) pour identifier des molécules répondant aux trois critères mentionnés. En s'appuyant sur une base de données compilée à partir de 250 articles de recherche remontant aux premiers travaux sur les batteries Li-ion, l'équipe a utilisé un algorithme d'IA capable de calculer ce qu'ils appellent leScore, un score qui équilibre ces trois propriétés. Le Processus de Découverte Assistée par l'IA Le processus commence par la création manuelle d'une base de données d'entraînement depuis 2020. Cette base comprend des milliers de potentiels électrolytes extraits de littératures scientifiques couvrant plus de 50 ans de recherche. L'eScore balance la conductivité ionique, la stabilité oxydative et l'efficacité coulométrique pour identifier les molécules les plus prometteuses. Chibueze Amanchukwu, professeur adjoint de génie moléculaire et principal investigateur de Kumar, compare ce processus à l'écoute de musique en ligne. Il faut entraîner l'IA pour qu'elle reconnaisse les qualités des molécules, comme un algorithme musical serait formé pour comprendre les préférences musicales d'une personne. Une fois cette étape franchie, l'IA peut analyser des molécules existantes pour prédire leur performance. L'objectif ultime est d'amener l'IA à créer de nouvelles molécules qui répondent à tous les paramètres fixés, une tâche équivalente à composer de nouvelles chansons plutôt que de recommander des titres déjà connus. Les Défis de l'Optimisation des Électrolytes L'optimisation des électrolytes est souvent un processus lent et coûteux, basé sur des méthodes d'essai-erreur. Les chercheurs ont testé avec succès leur processus en identifiant une molécule qui offre des performances comparables aux meilleurs électrolytes du marché, marquant ainsi un important progrès. Jeffrey Lopez, professeur adjoint en génie chimique et biologique à l'Université Northwestern, souligne l'importance de ces cadres de recherche axés sur les données pour accélérer le développement de nouvelles matériaux de batterie, en exploitant les avancées de l'IA et de l'automatisation des laboratoires. Malgré la taille imposante de la base de données, celle-ci n'est que la première étape. La difficulté principale réside dans le fait que l'équipe doit entrer manuellement les données provenant des images et graphiques des articles scientifiques, car les modèles linguistiques actuels ont du mal à extraire ces informations. De plus, l'IA performe bien lorsqu'elle prédit des molécules chimiquement similaires à celles de sa base de données, mais elle peine encore à identifier des matériaux inconnus. C'est là que réside le défi majeur pour l'équipe, qui vise à rendre son IA capable de repérer des molécules issues de différents espaces chimiques. Perspectives et Impact Cette recherche ouvre de nouvelles perspectives dans le domaine des batteries. Avec un nombre théorique d'environ 1060 molécules potentielles, l'utilisation de l'IA permet aux chercheurs de cibler rapidement des candidats prometteurs sans perdre de temps, d'énergie et de ressources dans des pistes infructueuses. Ce cadre de recherche pourrait non seulement être appliqué à l'optimisation des batteries, mais aussi à d'autres domaines où la sélection d'une molécule idéale est cruciale, tels que le développement de traitements contre le cancer, la création d'immunothérapies, les méthodes de traitement de l'eau et les matériaux quantiques. En conclusion, le travail mené par l'équipe de l'UChicago PME représente une avancée significative dans l'accélération de la découverte de nouvelles molécules pour les électrolytes de batteries, grâce à l'intégration de techniques d'IA et de machine learning. Cette approche novatrice pourrait révolutionner non seulement le domaine des batteries, mais également divers autres secteurs de la technologie et de la médecine. Évaluation et Profil de l’Entreprise Des experts de l'industrie saluent cette Initiative. Jeffrey Lopez souligne que le recours à des cadres de recherche pilotés par des données est indispensable pour accélérer le développement de nouveaux matériaux de batterie, en tirant parti des progrès de la science d'IA et de l'automatisation des laboratoires. L'UChicago PME est à la pointe de ces technologies, en engageant activement des chercheurs comme Ritesh Kumar pour explorer l'application de l'IA dans des domaines variés, contribuant ainsi à des avancées majeures dans la recherche scientifique et technologique.