Une équipe de chercheurs de l'école d'ingénierie moléculaire Pritzker de l'Université de Chicago a développé une intelligence artificielle capable de générer intégralement des formules d'électrolytes pour batteries, atteignant des performances équivalentes aux meilleures batteries au lithium métallique existantes. Publiée dans la revue JACS Au, cette avancée représente une étape cruciale dans le travail du laboratoire d'Amanchukwu, notamment son outil ElectrolyteGPT. Contrairement aux approches traditionnelles qui sélectionnent des matériaux individuels, ce nouveau modèle crée la formulation complète, incluant les sels, les solvants et les additifs, tout en gérant les équilibres complexes et les compromis entre leurs interactions. Les électrolytes de batteries ne sont pas des substances simples mais des mélanges chimiques complexes. L'exploration manuelle de l'immense espace chimique potentiel, estimé à 10^60 molécules, est impossible pour l'humanité. L'IA générative permet de naviguer dans ces zones inexplorées et de proposer des composés synthétiques inédits. Cependant, l'équipe a dû surmonter un défi majeur : les modèles d'IA existants, souvent entraînés pour la découverte de médicaments, produisent des molécules inadaptées aux batteries. Pour pallier cela, les chercheurs ont curaté un jeu de données spécifique contenant uniquement des composés pertinents pour l'électrochimie des batteries. Le modèle est ensuite entraîné pour respecter des paramètres stricts, tels que la conductivité ionique, la stabilité oxydative, l'efficacité coulombienne et la viscosité. Les résultats montrent que les compositions générées par l'IA rivalisent avec les meilleures électrolytes de référence. Jaemin Kim, premier auteur de l'étude, note que le modèle permet de générer simultanément des candidats répondant à des exigences souvent contradictoires. Chibueze Amanchukwu, auteur correspondant, souligne que bien que ces résultats soient prometteurs, le travail pour surpasser l'état de l'art se poursuit. L'innovation majeure de cette recherche réside dans le développement d'un nouveau langage de notation chimique appelé fLine. Les langages standards comme le SMILES décrivent la structure moléculaire, mais ne gèrent pas les ratios de mélange, les concentrations ou les conditions environnementales. Le fLine décrit la structure chimique tout en intégrant des informations sur le ratio des solvants, la concentration des sels, la température et d'autres variables d'un mélange complexe. Cette capacité permet à l'IA de comprendre et de générer une formulation d'électrolyte complète dans toutes ses dimensions, et non pas seulement la structure des molécules individuelles. Cette méthode ouvre la voie à une IA véritablement générative pour les électrolytes, capable de créer des formulations complètes avec plusieurs sels et solvants à différents ratios. Les suggestions théoriques de l'IA sont maintenant testées en laboratoire pour être vérifiées dans le monde réel. Bien que les données et les paramètres utilisés soient encore limités, les chercheurs espèrent rendre ces modèles plus grands et plus performants à l'avenir. Cette approche pourrait transformer la découverte de matériaux pour les batteries et potentiellement s'appliquer à d'autres mélanges chimiques complexes au-delà du domaine de l'énergie.