Une équipe du laboratoire de l’assistant-professeur Chibueze Amanchukwu, de l’École de génie moléculaire Pritzker de l’Université de Chicago (UChicago PME), a développé un modèle d’apprentissage actif capable d’explorer un espace virtuel de un million de potentiels électrolytes pour batteries à partir de seulement 58 points de données. Cette avancée, publiée dans Nature Communications, permet de repérer des électrolytes performants sans attendre des milliards de données expérimentales, un luxe impossible pour les nouvelles chimies de batteries encore en phase d’exploration. Ritesh Kumar, chercheur postdoctoral au sein du programme Schmidt AI in Science de l’UChicago PME et co-premier auteur de l’étude, souligne que chaque expérience de test d’électrolyte peut prendre des semaines voire des mois, rendant inenvisageable d’attendre des milliards de données. L’approche adoptée repose sur un cycle itératif : l’IA suggère des molécules, les équipes les synthétisent, les intègrent dans des cellules batteries, les testent en cyclage, puis renvoient les résultats à l’IA pour améliorer ses prédictions. « Nous n’avons pas seulement utilisé des proxy computationnels, mais des expériences réelles », insiste Kumar. L’objectif final, c’est de savoir si la batterie fonctionne longtemps, pas seulement si une molécule semble prometteuse sur papier. Au départ, le modèle est peu fiable, avec des incertitudes élevées. Mais en itérant sept campagnes d’apprentissage actif, en testant environ 10 électrolytes par cycle, l’équipe a identifié quatre nouveaux solvants d’électrolyte capables de rivaliser avec les meilleurs électrolytes actuels en termes de capacité de décharge et de stabilité. « L’IA ne peut pas tout faire, mais elle excelle à explorer des espaces vastes de manière ciblée », explique Kumar. L’alternative, tester un million de combinaisons, était techniquement impossible. Le prochain pas, selon Peiyuan Ma, co-premier auteur et doctorant, serait de passer d’un modèle prédictif à un modèle génératif. Actuellement, l’IA s’appuie sur des molécules déjà documentées. En permettant à l’IA de concevoir de nouvelles structures chimiques ex nihilo, sans se limiter à la littérature existante, on pourrait accéder à des configurations inédites, potentiellement révolutionnaires. L’espace chimique est immense — estimé à 10⁶⁰ molécules possibles — et l’IA pourrait en explorer des parties inaccessibles par la méthode classique. Cependant, les critères de performance doivent s’élargir. Aujourd’hui, les modèles se concentrent principalement sur la durée de vie en cycle, mais un électrolyte commercialisable doit aussi offrir une bonne capacité initiale, être sûr, stable à haute température, et abordable. « L’IA de demain devra évaluer plusieurs critères à la fois, et trier les meilleures options parmi les meilleures », estime Ma. Enfin, Kumar met en garde contre les biais humains : les scientifiques ont tendance à s’attarder sur des familles moléculaires déjà prometteuses, ignorant d’autres espaces potentiels. L’IA, elle, peut briser ces biais, ouvrant la voie à des découvertes inattendues. « Elle nous aide à sortir de notre zone de confort chimique », conclut-il. Cette approche, alliant intelligence artificielle, expérimentation réelle et itération continue, représente une nouvelle ère dans la découverte de matériaux pour les batteries.