Les gaz toxiques contenant du soufre, tels que le sulfure d’hydrogène et les oxydes de soufre, constituent de sérieuses préoccupations pour la santé humaine, la sécurité industrielle et l’environnement. Développer des matériaux capables non seulement de détecter ces gaz, mais également de les capturer efficacement représente donc un objectif important. Identifier des matériaux qui concilient une adsorption forte avec une réponse de détection utile reste néanmoins un défi.
Des chercheurs ont désormais mis au point un framework d’apprentissage profond multitâche capable de prédire simultanément la force avec laquelle un matériau adsorbe les gaz soufrés et son efficacité à les détecter. En combinant l’intelligence artificielle avec les calculs de théorie de la fonctionnelle de la densité (DFT), cette approche pourrait accélérer la découverte de matériaux pour la détection et la purification des gaz.
L’étude, publiée dans Artificial Intelligence & Environment, se concentre sur les phthalocyanines de métaux de transition, une classe de matériaux dont les propriétés électroniques peuvent être ajustées en modifiant l’atome métallique situé en leur centre. Les chercheurs ont étudié 28 matériaux à base de phthalocyanines de métaux de transition et quatre gaz soufrés, H₂S, SO, SO₂ et SO₃, générant 78 systèmes d’adsorption gaz-matériau.
« La détection des gaz et leur adsorption sont étroitement liées, mais elles ne sont pas régies par exactement les mêmes facteurs », explique Xiliang Yan, auteur correspondant de l’étude. « Notre objectif était de construire un modèle capable d’apprendre ce que ces deux processus ont en commun, tout en préservant les informations propres à chaque tâche. »
Les approches traditionnelles d’apprentissage automatique prédisent souvent une seule propriété de matériau à la fois. Le nouveau modèle d’apprentissage profond multitâche apprend quant à lui des informations physicochimiques partagées, tout en utilisant des branches de prédiction distinctes pour l’énergie d’adsorption et la réponse de détection. Cela lui permet d’examiner l’équilibre entre la force avec laquelle un gaz se lie à un matériau et l’intensité avec laquelle cette interaction modifie le comportement électrique du matériau.
L’approche a affiché des gains nets sur l’ensemble de test indépendant. Pour la classification des réponses de détection élevées et faibles, le modèle multitâche a atteint une précision et un score F1 de 0,83 ainsi qu’un rappel de 0,88, contre des précisions de test de 0,44 à 0,63 pour plusieurs modèles conventionnels d’apprentissage automatique à tâche unique. Pour la prédiction de l’énergie d’adsorption, le modèle a obtenu un R² de 0,86 sur l’ensemble de test, avec un RMSE de 0,46 eV et un MAE de 0,35 eV.
Les calculs ont également permis d’identifier des candidats matériels spécifiques. Par exemple, Fe/Pc a montré une forte sensibilité au SO, tandis que Fe/Pc et Cr/Pc ont également présenté des réponses prometteuses au H₂S. D’autres phthalocyanines de métaux de transition ont affiché une forte adsorption du SO et du SO₂, soulignant leur utilisation possible comme matériaux d’élimination des gaz.
Fait notable, le modèle d’IA a été conçu pour être interprétable plutôt que de fonctionner uniquement comme un outil de prédiction. L’analyse du modèle a montré que le rayon atomique et les propriétés électroniques du centre métallique de transition, la structure électronique du matériau phthalocyanine ainsi que les propriétés de la molécule de gaz contribuent tous au comportement de détection et d’adsorption.
« Le modèle fait bien plus qu’identifier des candidats prometteurs », précise Yan. « Il aide également à mettre en évidence quelles caractéristiques physiques et électroniques contrôlent l’adsorption et la détection, fournissant ainsi des orientations pour la conception rationnelle de nouveaux matériaux. »
Les chercheurs soulignent que le modèle actuel a été développé à partir d’un jeu de données relativement restreint. Son extension à des métaux, des gaz et des configurations d’adsorption supplémentaires pourrait améliorer sa capacité à sélectionner des matériaux jusque-là inexplorés.
Ce travail démontre comment l’apprentissage multitâche interprétable peut relier la thermodynamique d’adsorption au comportement de détection des gaz, offrant une stratégie de calcul pour concevoir des matériaux multifonctionnels capables à la fois de détecter et d’éliminer les gaz dangereux.
Article : DFT-driven multitask deep learning for sulfur gas sensing and removal by transition metal phthalocyanines – Méthode : Experimental study – DOI : Lien vers l’étude
Source : Shenyang Agricultural University
