Face à l’urgence climatique, la recherche de technologies innovantes pour réduire les émissions de CO2 fait son apparition un peu partout sur la planète. Au cœur de cette bataille scientifique, l’intelligence artificielle et les simulations avancées émergent comme des alliés de taille, dans l’objectif de découvrir des matériaux capables de capturer du carbone.
Il semble que la capture du carbone soit une technologie clé pour réduire les émissions de gaz à effet de serre issues des centrales électriques et autres installations industrielles.
Les cadres organométalliques, ou MOFs, sont des matériaux poreux qui se distinguent par leur capacité à absorber sélectivement le dioxyde de carbone. Ces structures possèdent trois types de blocs de construction — des nœuds inorganiques, des nœuds organiques et des connecteurs organiques — qui peuvent être agencés dans différentes configurations, offrant ainsi un nombre quasi infini de possibilités pour les scientifiques.
L’intelligence artificielle au service de la découverte
Des chercheurs du Laboratoire national d’Argonne, relevant du Département de l’Énergie des États-Unis (DOE), empruntent plusieurs voies pour accélérer le processus de découverte. L’une d’elles est l’utilisation de l’intelligence artificielle générative pour concevoir de nouveaux candidats de blocs de construction.
Une autre voie est l’apprentissage automatique, complétée par un criblage à haut débit des matériaux candidats et des simulations basées sur la théorie utilisant la dynamique moléculaire.
En collaborant avec des chercheurs de l’Institut Beckman pour la Science et la Technologie Avancées de l’Université de l’Illinois à Urbana-Champaign (UIUC), de l’Université de l’Illinois à Chicago et de l’Université de Chicago, l’équipe a pu assembler rapidement plus de 120 000 nouveaux candidats MOFs en seulement 30 minutes grâce à l’IA générative, en utilisant le superordinateur Polaris de l’Argonne Leadership Computing Facility (ALCF).
Simulation et validation expérimentale
Les simulations de dynamique moléculaire, nécessitant beaucoup de temps, ont été effectuées sur le superordinateur Delta de l’UIUC, en se concentrant uniquement sur les candidats les plus prometteurs. L’objectif est de les évaluer en termes de stabilité, de propriétés chimiques et de capacité de capture du carbone.
Delta représente un effort conjoint de l’Illinois et de son Centre National pour les Applications de Supercomputing.
Le Dr Eliu Huerta, scientifique en calcul d’Argonne, souligne que les méthodes traditionnelles, impliquant la synthèse expérimentale et la modélisation computationnelle, sont coûteuses et chronophages. L’approche de l’équipe pourrait permettre de synthétiser uniquement les meilleurs candidats MOFs.
En synthèse
La combinaison de l’IA générative, du criblage à haut débit, de la dynamique moléculaire et des simulations de Monte Carlo dans un flux de travail autonome représente une avancée significative dans la conception de MOFs. Cette méthode permet d’intégrer l’apprentissage en ligne à partir de recherches expérimentales et computationnelles antérieures pour accélérer et affiner la précision de l’IA dans la création de nouveaux MOFs.
Avec l’arrivée prochaine du superordinateur Aurora exascale de l’ALCF, les scientifiques pourront évaluer des milliards de candidats MOFs, y compris ceux jamais proposés auparavant, ouvrant ainsi la voie à des découvertes sans précédent dans le domaine de la capture du carbone.
Pour une meilleure compréhension
Qu’est-ce que les MOFs et pourquoi sont-ils importants pour la capture du carbone ?
Les MOFs sont des matériaux poreux capables d’absorber sélectivement le dioxyde de carbone, ce qui les rend prometteurs pour la capture du carbone, un processus essentiel pour réduire les émissions de gaz à effet de serre.
Comment l’intelligence artificielle contribue-t-elle à la recherche de nouveaux MOFs ?
L’IA générative permet d’assembler rapidement de nouveaux candidats MOFs, tandis que l’apprentissage automatique aide à évaluer leur potentiel pour la capture du carbone.
Quel est le rôle des superordinateurs dans cette recherche ?
Les superordinateurs comme Polaris et Delta permettent de réaliser des simulations complexes et de traiter un grand nombre de candidats MOFs en un temps réduit.
Quelles sont les prochaines étapes dans l’utilisation de l’IA pour les MOFs ?
L’arrivée du superordinateur Aurora exascale va permettre d’évaluer des milliards de candidats MOFs et d’affiner les prédictions pour la synthèse de matériaux efficaces pour la capture du carbone.
Quelle est l’importance de la collaboration dans ce domaine de recherche ?
La collaboration entre différentes institutions et scientifiques est cruciale pour combiner expertise et ressources, et pour mener à bien des projets de recherche ambitieux comme celui-ci.
Références
Légende illustration : Visualisation scientifique de l’assemblage guidé par l’IA d’une nouvelle structure métallo-organique à forte capacité d’adsorption du dioxyde de carbone et dotée d’éléments de liaison synthétisables. Les éléments constitutifs, prédits par l’IA générative, sont représentés à gauche, tandis que la structure finale prédite par l’IA est représentée à droite. (Image by Xiaoli Yan/University of Illinois Chicago and the ALCF Visualization & Data Analytics Team.)
Article “A generative artificial intelligence framework based on a molecular diffusion model for the design of metal-organic frameworks for carbon capture” – DOI: 10.1038/s42004-023-01090-2
[ Rédaction ]
