L’intelligence artificielle (IA) et les infrastructures de laboratoire automatisées offrent de nouveaux horizons dans la recherche de catalyseurs chimiques. À l’École polytechnique fédérale de Zurich (ETH Zurich), une équipe de chercheurs utilise ces outils de pointe pour transformer le CO2 en méthanol, une source d’énergie prometteuse.
Les catalyseurs jouent un rôle crucial dans les processus chimiques en accélérant les réactions et en réduisant l’énergie nécessaire à leur déroulement. Leur spécificité et leur efficacité sont déterminantes pour limiter les réactions indésirables. Dans la nature, les enzymes remplissent cette fonction en sélectionnant les réactions métaboliques nécessaires parmi la multitude de possibilités chimiques. Dans l’industrie, ce sont souvent des catalyseurs métalliques qui sont utilisés pour maximiser le rendement des produits.
Une Méthodologie Innovante pour Accélérer la Recherche
L’équipe de l’ETH Zurich, sous la direction de Paco Laveille, a mis au point une méthode entièrement digitalisée et automatisée pour découvrir de nouveaux catalyseurs métalliques. Cette méthode associe l’intelligence artificielle pour calculer les compositions prometteuses et un laboratoire automatisé pour la synthèse et les tests.
Grâce à cette infrastructure, la création de près de 150 compositions de catalyseurs pour la production de méthanol à partir de CO2 a été réalisée en moins de six semaines. Les meilleurs catalyseurs se distinguent par leur rentabilité et leur taux de conversion élevé avec peu de sous-produits.
« Cette nouvelle méthode permet de gagner un temps considérable », souligne Paco Laveille. « Avec une approche conventionnelle, nos expériences auraient pris des années. »
Le Méthanol, Pilier de l’Économie Hydrocarbure Durable
Le méthanol est considéré comme un élément clé pour une économie hydrocarbure durable. Proche parent de l’éthanol, il peut être utilisé comme carburant ou comme matière première pour la production de composés organiques tels que les médicaments, les plastiques ou les peintures. Sa forme liquide facilite le transport et le stockage par rapport à l’hydrogène et au méthane gazeux.
De plus, son utilisation dans l’infrastructure d’approvisionnement et les moteurs actuels nécessite des modifications mineures.
Une Présélection Astucieuse pour Réduire les Possibilités
Face à l’immense diversité des combinaisons atomiques possibles pour créer un catalyseur, les chercheurs ont effectué une présélection basée sur l’expérience et les exigences économiques. Un catalyseur destiné à une utilisation à grande échelle doit être efficace et abordable. Ainsi, les métaux actifs principaux ont été limités à trois métaux relativement bon marché : le fer, le cuivre et le cobalt.
En plus de ces métaux principaux, trois éléments traditionnellement utilisés en faible quantité pour le dopage, ainsi que le potassium, ont été considérés. Pour les matériaux supports, le choix s’est porté sur quatre oxydes métalliques typiques, aboutissant à 20 millions de combinaisons possibles.
Des Étapes Itératives avec le Support de l’IA
Les chercheurs ont ensuite intégré un algorithme d’IA qui utilise l’optimisation bayésienne pour identifier les meilleures solutions. Cette forme de statistique est adaptée lorsque les données disponibles sont limitées. Contrairement aux statistiques classiques, la probabilité est calculée en tenant compte des connaissances actuelles.
Après une première sélection aléatoire de 24 compositions de catalyseurs, celles-ci ont été produites et testées automatiquement. Les résultats ont servi de base pour les prédictions de l’IA, qui ont ensuite été synthétisées et testées automatiquement lors de six cycles d’itération.
Des Résultats Fiables et Rapides pour Dépasser la Pétrochimie
Le but premier de ce projet n’était pas de trouver le meilleur catalyseur pour la synthèse du méthanol, mais de générer des données fiables pour les réactions durables en énergie.
« Les connaissances actuelles sur les catalyseurs pour la production de carburant proviennent principalement de l’industrie pétrolière », explique Christophe Copéret, professeur au Laboratoire de chimie inorganique de l’ETH Zurich et co-initiateur du projet Swiss Cat+. « Pour les réactions destinées à l’industrie énergétique durable, les données fiables font encore défaut. »
Ces données sont essentielles pour que les algorithmes d’IA et l’intelligence de recherche humaine puissent cibler plus précisément dans l’immense espace des possibilités chimiques. « Et c’est exactement le type de données de haute qualité et reproductibles que notre laboratoire robotisé assisté par IA fournit désormais. Cela promet de faire avancer considérablement la recherche sur les catalyseurs », ajoute pour conclure Paco Laveille.
Légende illustration : Ce bras robotisé transfère des flacons de verre dans une centrifugeuse. Il fait partie d’une unité robotique qui produit des catalyseurs de manière totalement autonome selon les spécifications d’un modèle d’IA. (Photo : ETH Zurich / Michel Büchel)
Ramirez A, Lam E, Pacheco Gutierrez D, Hou Y, Tribukait H, Roch LM, Copéret C, Laveille P: Accelerated Exploration of Heterogenous CO2 Hydrogenation Catalyts by Bayesian-optimized High-throughput and Automated Experimentation. Chem Catalysis, 18. Januar 2024, doi: 10.1016/j.checat.2023.100888
Laveille P, Miéville P, Chatterjee S, Clerc E, Cousty JC, de Nanteuil F, Lam E, Mariano E, Ramirez A, Randrianarisoa U, Villat K, Copéret C, Cramer N: Swiss Cat+, a Data-driven Infrastructure for Accelerated Catalysts Discovery and Optimization. Chimia 2023, 77: 154, doi: 10.2533/chimia.2023.154
