Un nouveau cadre d’intelligence artificielle développé à l’Université Cornell permet non seulement de prédire avec précision les performances des électrolytes pour batteries lithium-ion, mais révèle également les principes chimiques sous-jacents à leur efficacité, offrant ainsi aux ingénieurs un outil puissant pour concevoir des batteries plus performantes. Cette avancée, publiée le 19 février dans Nature Computational Science, se concentre sur les batteries lithium-ion à électrolytes non aqueux — des matériaux liquides ou gélatineux capables de stocker davantage d’énergie. Grâce à l’intelligence artificielle, ce cadre prédit comment les sels, les solvants et les conditions opératoires interagissent pour favoriser le transport des ions. « La chimie des batteries implique de nombreux paramètres couplés, et comprendre leurs interactions est essentiel pour une conception rationnelle », explique Fengqi You, co-auteur de l’étude et professeur Roxanne E. et Michael J. Zak en ingénierie des systèmes énergétiques à la Duffield College of Engineering de Cornell. « Nous développons des outils d’IA qui améliorent non seulement la prévision, mais aussi la compréhension de la chimie fondamentale. » Les modèles d’IA traditionnels traitent les formulations d’électrolytes comme des ensembles uniformes de variables d’entrée, apprenant des corrélations statistiques entre ces entrées et des propriétés comme la conductivité. Bien qu’optimisés pour prédire des résultats, ces systèmes restent des « boîtes noires » qui ne révèlent pas les mécanismes chimiques à l’œuvre. Pour surmonter cette limitation, Fengqi You et Zhilong Wang, chercheur postdoctoral et premier auteur de l’étude, ont conçu un cadre dynamique basé sur une approche guidée par le routage, qui traite les sels, les solvants et les conditions opératoires comme des composants distincts mais interagissant. Contrairement aux modèles classiques qui fusionnent toutes les données dans un seul mécanisme opaque, ce cadre analyse séparément des descripteurs chimiquement significatifs pour chacun de ces trois éléments, puis les intègre de manière adaptative. Appliqué à un vaste ensemble de données expérimentales sur les électrolytes lithium-ion, ce cadre a réduit l’erreur de prédiction de plus de 65 % par rapport aux méthodes d’apprentissage automatique les plus avancées. De plus, contrairement aux modèles conventionnels, il maintient une grande précision sur toute la gamme de conductivité, y compris pour les formulations rares à haute conductivité, cruciales pour les batteries de prochaine génération. « Pour les matériaux énergétiques, il ne suffit pas de s’appuyer sur des prédictions de type boîte noire », souligne Fengqi You, également chercheur principal au Cornell Atkinson Center for Sustainability. « L’interprétabilité et l’intégration avec les lois physiques sont essentielles pour développer des outils de conception fiables et évolutifs. » Ce travail s’inscrit dans les efforts du programme Cornell AI4S, qui rassemble des chercheurs et étudiants de toute l’université pour appliquer l’intelligence artificielle aux défis énergétiques, matériels et environnementaux. Il complète également un article récent publié dans Science Advances, co-écrit par You et Wang, qui propose un cadre plus large pour intégrer l’IA dans la recherche sur les batteries solides, en combinant apprentissage automatique, simulations et retours expérimentaux. « Ces deux études traitent à la fois d’un cadre stratégique général et d’une approche modélisation précise, reflétant notre engagement à relier stratégie et mise en œuvre concrète dans la recherche sur les batteries pilotée par l’IA », conclut Fengqi You.