Les scientifiques mènent une course contre la montre pour tenter de créer des sources d’énergie révolutionnaires et durables (telles que les batteries à l’état solide) afin de lutter contre le changement climatique. Toutefois, cette course s’apparente davantage à un marathon, car les approches conventionnelles sont par nature fondées sur l’essai et l’erreur, et se concentrent généralement sur l’essai de matériaux individuels et de voies de réglage une à une. Pour nous permettre d’atteindre plus rapidement la ligne d’arrivée, des chercheurs de l’université de Tohoku ont mis au point un cadre d’IA piloté par les données qui met en évidence les électrolytes solides potentiels susceptibles d’être « le bon » pour créer la solution idéale en matière d’énergie durable.
Ce modèle ne se contente pas de sélectionner les candidats optimaux, il peut également prédire comment la réaction se produira et pourquoi ce candidat est un bon choix. Il fournit des informations intéressantes sur les mécanismes potentiels et donne aux chercheurs une longueur d’avance sans même qu’ils aient à mettre un pied dans le laboratoire.
« Le modèle fait essentiellement tout le travail d’essai et d’erreur à notre place », indique le professeur Hao Li (Institut avancé de recherche sur les matériaux). « Il puise dans une vaste base de données issue d’études antérieures pour rechercher toutes les options potentielles et trouver le meilleur candidat ESS ».
La méthode est un cadre d’IA pionnier basé sur les données qui intègre les grands modèles de langage (LLM), MetaD, la régression linéaire multiple, l’algorithme génétique et l’analyse comparative théorie-expérience. Essentiellement, les modèles prédictifs s’appuient à la fois sur des données expérimentales et informatiques. La recherche assistée par ordinateur donne aux chercheurs une bonne idée de la voie à suivre pour obtenir les meilleurs résultats.
L’un des objectifs de cette étude était de comprendre les relations structure-performance des ESS. Le modèle prédit l’énergie d’activation, identifie les structures cristallines stables et améliore globalement le flux de travail des scientifiques. Les résultats démontrent que MetaD ab initio représente une technique de calcul optimale qui présente des niveaux élevés de concordance avec les données expérimentales pour les SSE d’hydrures complexes.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
En outre, ils ont identifié un nouveau mécanisme de migration ionique « en deux étapes » dans les SSE d’hydrures monovalents et bivalents, résultant de l’incorporation de groupes moléculaires. En s’appuyant sur l’analyse des caractéristiques combinée à la régression linéaire multiple, ils ont réussi à construire des modèles prédictifs précis pour l’évaluation rapide de la performance des SSE d’hydrures. Notamment, le cadre proposé permet également une prédiction précise des structures candidates sans s’appuyer sur des données expérimentales. Collectivement, cette étude offre des perspectives transformatrices et des méthodologies avancées pour la conception et l’optimisation efficaces des batteries à l’état solide de la prochaine génération, contribuant ainsi de manière significative à des solutions énergétiques durables.
Les chercheurs prévoient d’élargir l’application de ce cadre à diverses familles d’électrolytes. Ils prévoient également l’utilisation d’outils d’IA générative qui pourraient être en mesure d’explorer les voies de migration des ions et les mécanismes de réaction, améliorant ainsi la capacité prédictive de la plateforme.
Les principaux résultats expérimentaux et informatiques sont disponibles dans la base de données dynamique des électrolytes à l’état solide (DDSE) développée par l’équipe de Hao Li, la plus grande base de données d’électrolytes à l’état solide rapportée à ce jour.
Article : « Unraveling the Complexity of Divalent Hydride Electrolytes in Solid-State Batteries via a Data-Driven Framework with Large Language Model » – Auteurs : Qian Wang, Fangling Yang, Yuhang Wang, Di Zhang, Ryuhei Sato, Linda Zhang, Eric Jianfeng Cheng, Yigang Yan, Yungui Chen, Kazuaki Kisu, Shin-ichi Orimo, Hao Li* – Journal: Angewandte Chemie International Edition – DOI: 10.1002/anie.202506573
