Dans le domaine des batteries pour véhicules électriques, téléphones, ordinateurs portables et le stockage d’énergie à grande échelle, la découverte de nouveaux électrolytes performants représente un défi majeur. Les électrolytes les plus stables ne sont pas toujours les plus conducteurs, et les batteries les plus efficaces ne garantissent pas nécessairement une stabilité optimale. Une étude récente a introduit une approche basée sur le big data et l’intelligence artificielle pour identifier des molécules capables de maximiser les propriétés idéales d’un électrolyte de batterie, à savoir la conductivité ionique, la stabilité oxydative et l’efficacité coulombique. Grâce à une analyse de données provenant de plusieurs décennies de recherches sur les batteries lithium-ion, cette méthode innovante permet de réduire l’aspect trial-and-error habituellement associé à l’optimisation des électrolytes.
La recherche d’électrolytes puissants et efficaces constitue un des principaux défis dans la conception de batteries de prochaine génération pour des applications variées, allant des véhicules électriques aux dispositifs électroniques, en passant par le stockage d’énergie à grande échelle. Un groupe de chercheurs dirigé par Ritesh Kumar au sein du laboratoire Amanchukwu à l’Université de Chicago a récemment développé un cadre innovant qui utilise l’ et l’apprentissage automatique pour identifier des molécules optimales en matière d’électrolytes.
Les défis des électrolytes traditionnels
Les électrolytes ne sont pas toujours en mesure de concilier les exigences de conductivité, de stabilité oxydative et d’efficacité coulombique. En effet, la quête de la batterie idéale se heurte souvent à des compromis, où les électrodes doivent répondre simultanément à des propriétés qui, en apparence, se contredisent. Ces conflits rendent le processus d’optimisation des électrolytes long et complexe.
Une méthode innovante utilisant l’intelligence artificielle
Dans une étude parue dans Chemistry of Materials, l’équipe de Kumar a extrait des données de plus de 250 publications de recherche pour établir ce qu’ils appellent l’eScore, un indice qui évalue les molécules en fonction des trois critères fondamentaux nécessaires à un bon électrolyte. En utilisant l’IA, ils ont pu évaluer rapidement ces molécules, identifiant ainsi celles qui remplissent toutes les conditions nécessaires.
Des résultats prometteurs
Les premiers tests ont révélé qu’une des molécules sélectionnées par l’IA pouvait rivaliser avec les meilleurs électrolytes actuellement sur le marché. Cela représente une avancée majeure, non seulement en termes d’efficacité dans le développement de nouveaux matériaux pour batteries, mais aussi dans le processus de recherche qui a souvent reposé sur des essais et des erreurs. Jeffrey Lopez, professeur adjoint à l’Université Northwestern, souligne l’importance des cadres de recherche basés sur les données pour la recherche et le développement rapide de nouveaux matériaux pour batteries.
Optimisation par IA : une vision élargie
Le vol vers l’avenir des batteries pourrait bien être assisté par des technologies qui permettent de repérer rapidement des candidats prometteurs. Grâce à des centaines de millions de composés potentiels, l’utilisation de l’IA permet d’économiser du temps, de l’énergie et des ressources en éliminant les impasses. La possibilité de traiter des milliards de non-démarrages confère aux chercheurs un avantage considérable dans la recherche de nouveaux électrolytes.
Les limites du traitement des données
Bien que le volume de données disponibles pour le projet soit considérable, il reste des défis à relever. Par exemple, la majorité des données existent sous forme d’images dans les publications scientifiques, ce qui complique leur extraction pour l’analyse par l’IA. Ce défi a nécessité une saisie manuelle des données, rendant le processus encore plus long et laborieux.
Des perspectives d’avenir intéressantes
Les travaux de l’équipe d’Amanchukwu visent non seulement à optimiser les électrolytes existants, mais aussi à explorer des espaces chimiques inédits. L’expérience avec les modèles d’IA a montré qu’ils pouvaient prédire avec précision la qualité d’un électrolyte chimiquement similaire à ceux déjà connus, mais ils peinent davantage avec des matériaux inconnus. Améliorer la capacité de l’IA à repérer ces nouveautés représente un enjeu crucial pour la conception de batteries du futur.
Pour plus d’informations sur des sujets connexes, explorez les articles concernant l’optimisation des batteries à état solide avec l’IA, l’imagerie neutronique pour explorer les batteries, et des systèmes de vision artificielle utilisant des électrolytes alternatifs.
EN BREF
|
