Une IA pour trouver des alternatives au platine dans les piles à hydrogène

Une équipe de chercheurs du Département de science et génie des matériaux de Johns Hopkins a développé un cadre d’intelligence artificielle qui peut prédire les propriétés d’une certaine classe d’alliages appelés alliages à haute entropie (HEA). Leur objectif est de trouver une alternative au platine, un élément rare, pour accélérer le développement des piles à combustible à hydrogène pour une utilisation commerciale.

« Les piles à combustible à hydrogène convertissent l’hydrogène et l’oxygène en électricité et en eau, fournissant une énergie propre et fiable », explique le responsable du projet Corey Oses, professeur assistant en science des matériaux et chercheur associé à l’Institut Ralph O’Connor pour l’énergie durable (ROSEI) de Johns Hopkins. « L’hydrogène est incroyablement important au niveau industriel, car il peut être utilisé dans le transport longue distance et les chariots élévateurs. Nous voulons commercialiser l’hydrogène pour que les consommateurs ordinaires puissent l’utiliser, en faisant le choix le plus abordable face au carburant traditionnel ».

Il n’y a qu’un seul problème —la conversion de l’hydrogène en énergie nécessite un catalyseur contenant du platine , un métal rare et coûteux.

« Nous voulons trouver une alternative au platine, afin qu’il soit financièrement réalisable pour les consommateurs de passer un jour à l’hydrogène », déclare Oses. « Les alliages à haute entropie sont la meilleure option, car ils sont composés de nombreux éléments qui pourraient imiter ou même surpasser l’émulateur, surpassant un matériau comme le platine ».

Pour le découvrir, ils devaient trouver quelles combinaisons de HEA fonctionneraient mieux que le platine. L’équipe a décidé de créer un cadre d’IA pour prédire quelles combinaisons fonctionneraient le mieux comme remplacement du platine.

« Nous voulons rapidement tester plus de compositions et générer des prédictions rapides, alors nous nous sommes demandés si nous pouvions enseigner ces propriétés à un algorithme puis l’intégrer dans un cadre d’apprentissage automatique », poursuit Oses. « Et la réponse est oui, nous le pouvons ».

En utilisant des calculs basés sur la mécanique quantique—spécifiquement la théorie de la fonctionnelle de la densité (DFT)—ils ont employé plusieurs méthodes, appelées descripteurs sensibles au désordre, pour décrire ces matériaux de manière computationnelle, puis les ont intégrés dans le cadre d’intelligence. Une de ces mesures, appelée descripteur d’enthalpie-entropie désordonnée (DEED), est particulièrement efficace pour prédire si certains matériaux peuvent être combinés en un alliage complexe et stable. Ils ont également évalué si des alliages stables pouvaient se former entre certaines combinaisons d’éléments.

« Certains de ces descripteurs sont plus faciles à calculer, et d’autres sont beaucoup plus difficiles », précise Oses. « Nous étions intéressés de voir si les plus faciles, qui peuvent être calculés à l’aide d’une calculatrice et en consultant le tableau périodique, étaient corrélés avec les descripteurs complexes, qui ne peuvent être trouvés qu’en utilisant la DFT. Étonnamment, ils sont vaguement liés ; les descripteurs se chevauchent et montrent que des descripteurs simples, qui manquent généralement des interactions électroniques détaillées, peuvent toujours être utiles pour trouver de nouveaux matériaux—même si nous ne pouvons pas les utiliser directement ».

Les chercheurs visent à faire avancer ce projet en modélisant des alliages avec différentes structures. « Ce travail s’est concentré sur une structure cristalline appelée cubique centrée, qui est l’une des phases prédominantes des HEA », explique Oses. « Pour obtenir l’analyse la plus précise d’un nouveau matériau potentiel, nous devons étudier tous les différents arrangements atomiques qu’un matériau peut avoir et les comparer les uns aux autres ».

Ils souhaitent également rendre ce processus en boucle fermée, afin que les meilleures prédictions puissent être transformées en expériences qui améliorent la précision du modèle.

« À l’avenir, nous aimerions utiliser cette technologie pour voir quelles prédictions principales répondent aux attentes lorsqu’elles sont modélisées expérimentalement, puis réintroduire ce résultat dans le modèle pour faire des prédictions basées à la fois sur les calculs et l’expérience », conclut Oses. « Cette innovation pourrait nous faire gagner du temps et de l’argent tout en accélérant la découverte de nouveaux matériaux pour remplacer le platine dans les piles à combustible à hydrogène ».

Oses a collaboré avec Guangshuai Han, chercheur postdoctoral au ROSEI ; les doctorants Tianhao Li, Xiao Xu, Jaehyung Lee, Guotao Qiu et Sabrina Sequeira ; et la troisième année Akshaya Ajith, tous du Département de science et génie des matériaux.

Source : JHU