La quête d’alternatives aux batteries lithium-ion mobilise les laboratoires du monde entier. Les enjeux économiques et environnementaux poussent la communauté scientifique à explorer les possibilités offertes par le sodium, un élément naturel abondant. L’optimisation des compositions chimiques pour les batteries sodium-ion nécessite une approche innovante, où l’intelligence artificielle devient un atout majeur.
Une collaboration internationale, menée par le Professeur Shinichi Komaba de l’Université des Sciences de Tokyo, a abouti à des résultats remarquables dans le développement des batteries sodium-ion.
Les conclusions de leurs travaux ont été publiées dans le Journal of Materials Chemistry A.
Une base de données monumentale a été constituée par les chercheurs, rassemblant une décennie d’expérimentations sur 100 échantillons de cellules sodium de type O3. Le Professeur Komaba a précisé : «La base intègre les compositions des échantillons NaMeO2, où Me représente des métaux de transition comme le manganèse, le titane, le zinc, le nickel, le fer et l’étain, ainsi que les paramètres de tension et la rétention de capacité après 20 cycles».
Les algorithmes d’apprentissage automatique, couplés à l’optimisation bayésienne, ont été exploités pour analyser les relations complexes entre la composition des oxydes lamellaires NaMeO2 et leurs propriétés électrochimiques. La composition Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2 a été identifiée comme optimale pour maximiser la densité énergétique.
Les tests en conditions réelles, réalisés sur des piles bouton standard, ont démontré une concordance remarquable avec les prédictions théoriques. «Les résultats expérimentaux valident pleinement la fiabilité de notre modèle prédictif», a souligné le Dr Tomooki Hosaka, co-auteur de l’étude.
L’approche développée par l’équipe internationale ouvre de nouvelles perspectives pour l’industrie des batteries. Les chercheurs ont démontré que leur méthodologie pouvait être étendue à des systèmes plus complexes, notamment les oxydes de métaux de transition quinaires.
Le gain de temps et la réduction des coûts expérimentaux sont considérables. Le Professeur Masanobu Nakayama, de l’Institut de Technologie de Nagoya, a expliqué : «L’utilisation de l’apprentissage automatique permet une réduction drastique du nombre d’expériences nécessaires, accélérant significativement le processus de développement des matériaux».
Les implications de leurs découvertes s’étendent bien au-delà du domaine des batteries. La méthodologie développée pourrait servir de modèle pour l’optimisation des matériaux dans d’autres secteurs industriels, du stockage d’énergie renouvelable à l’électronique grand public.
Les résultats obtenus laissent présager l’arrivée prochaine de batteries sodium-ion haute performance à coût réduit. Le Professeur Komaba a conclu : «L’amélioration continue des matériaux d’électrode, conjuguée à notre approche d’optimisation par intelligence artificielle, annonce une nouvelle génération de batteries alliant haute capacité et longévité exceptionnelle».
Article : ‘Na[Mn0.36Ni0.44Ti0.15Fe0.05]O2 predicted via machine learning for high energy Na-ion batteries’ / ( 10.1039/D4TA04809A ) – Tokyo University of Science – Publication dans la revue Journal of Materials Chemistry A / 5-Sep-2024
Source : Université des sciences de Tokyo
