Une équipe de chercheurs de l'Institut des sciences de base (IBS) en Corée du Sud a développé une approche révolutionnaire pour accélérer la découverte de catalyseurs destinés à la production d'hydrogène vert. Dirigés par le directeur Hyeon Taeghwan du Centre de recherche sur les nanoparticules, les scientifiques ont conçu un cadre d'intelligence artificielle capable de transcender les frontières entre différentes familles de matériaux, permettant ainsi d'identifier des catalyseurs inconnus jusqu'alors. La production d'hydrogène vert par électrolyse de l'eau représente une solution prometteuse pour la décarbonation, mais elle est actuellement freinée par la lenteur de la réaction d'évolution de l'oxygène (OER). Cette étape nécessite beaucoup d'énergie et dépend fortement de l'efficacité des catalyseurs utilisés. Traditionnellement, la recherche de meilleurs catalyseurs s'effectuait au sein de familles de matériaux distinctes et isolées, comme les oxydes, les métaux ou les catalyseurs à atome unique. Cette approche limitait la capacité des chercheurs à transférer des connaissances d'un système à un autre et manquait souvent des synergies potentielles issues de combinaisons hybrides. Pour surmonter ce défi, l'équipe a créé un modèle d'apprentissage automatique appelé réseau neuronal de croisement (CBNN). Contrairement aux approches classiques, cet outil apprend simultanément à partir de deux sources de données hétérogènes : les catalyseurs à atome unique supportés sur du carbone et les catalyseurs à base d'oxydes pérovskites. Le modèle apprend les arrangements atomiques de surface à partir d'images pour les catalyseurs à atome unique, tandis qu'il traite la structure en volume des oxydes sous forme de graphes. En fusionnant ces connaissances, l'IA prédit les performances d'une nouvelle classe de matériaux qui n'était pas incluse dans ses données d'entraînement initiales : les catalyseurs à atome unique supportés sur des oxydes pérovskites. L'étude a également intégré un processus automatisé de sélection de descripteurs chimiques, combinant analyse statistique et traitement du langage naturel, pour identifier les facteurs clés influençant l'activité catalytique, tels que l'état d'oxydation, le rayon ionique et la coordinance. L'IA a ainsi prédit avec succès le classement de l'activité de douze catalyseurs dans cette famille inexplorée, prouvant qu'elle ne mémorisait pas simplement des données existantes mais comprenait les principes fondamentaux régissant la performance. Les prédictions de l'IA ont conduit à la conception d'un catalyseur multimétallique hybride. Ce matériau contient des atomes uniques de tungstène, de molybdène, de ruthénium et de rhodium ancrés à la surface d'un oxyde pérovskite de calcium, praseodyme, cobalt et fer. Les tests expérimentaux ont confirmé que ce catalyseur surpassait les performances des oxydes pérovskites traditionnels, des catalyseurs à atome unique sur carbone et des catalyseurs monométalliques testés. Il présente une surtension plus faible, indiquant un coût énergétique réduit, ainsi qu'une fréquence de turnover plus élevée, signe d'une réactivité supérieure. Au-delà de la prédiction numérique, la méthode utilise l'IA explicable pour visualiser comment les environnements atomiques spécifiques influencent l'activité et pour identifier les interactions synergiques entre les atomes métalliques voisins. Cette capacité à relier des connaissances entre des familles de matériaux distinctes ouvre la voie à une découverte de matériaux généralisée. Selon les chercheurs, ce cadre pourrait être étendu à d'autres domaines tels que les batteries, le stockage d'énergie et la découverte de médicaments, là où l'intégration de données expérimentales hétérogènes reste un obstacle majeur. Cette avancée marque un pas décisif vers une intelligence artificielle capable de suggérer de nouvelles directions de conception au-delà des espaces de candidats prédéfinis par les humains.