La découverte de nouveaux électrolytes puissants est l’un des principaux obstacles à la conception de la prochaine génération de batteries pour les véhicules électriques, les téléphones, les ordinateurs portables et le stockage de l’énergie à l’échelle du réseau. Les électrolytes les plus stables ne sont pas toujours les plus conducteurs. Les batteries les plus efficaces ne sont pas toujours les plus stables. Et ainsi de suite.
« Les électrodes doivent répondre à des propriétés très différentes en même temps. Elles sont toujours en conflit les unes avec les autres », déclare Ritesh Kumar, titulaire d’une bourse postdoctorale Eric and Wendy Schimdt AI in Science, qui travaille dans le laboratoire d’Amanchukwu à l’école d’ingénierie moléculaire Pritzker de l’université de Chicago (UChicago PME).
Kumar est le premier auteur d’un nouvel article publié dans Chemistry of Materials qui met l’intelligence artificielle et l’apprentissage automatique au travail. L’article décrit un nouveau cadre pour trouver des molécules qui maximisent les trois composants d’un électrolyte de batterie idéal : la conductivité ionique, la stabilité oxydative et l’efficacité coulombienne.
À partir d’un ensemble de données compilées dans 250 articles de recherche remontant aux premiers jours de la recherche sur les batteries lithium-ion, le groupe a utilisé l’IA pour calculer ce qu’il appelle l’« eScore » pour différentes molécules. L’eScore équilibre ces trois critères, en identifiant les molécules qui remplissent les trois conditions.
« La molécule championne dans une propriété n’est pas la molécule championne dans une autre », explique le chercheur principal de Kumar, Chibueze Amanchukwu, professeur adjoint d’ingénierie moléculaire de la famille PME Neubauer de l’UChicago.
Ils ont déjà testé leur processus, utilisant l’IA pour identifier une molécule aussi performante que les meilleurs électrolytes du marché, ce qui constitue une avancée majeure dans un domaine qui repose souvent sur l’essai et l’erreur.
« L’optimisation des électrolytes est un processus lent et difficile dans lequel les chercheurs ont souvent recours à l’essai-erreur pour équilibrer des propriétés concurrentes dans des mélanges à plusieurs composants », a ajouté Jeffrey Lopez, professeur adjoint de génie chimique et biologique à l’université Northwestern, qui n’a pas participé à la recherche. « Ces types de cadres de recherche axés sur les données sont essentiels pour accélérer le développement de nouveaux matériaux pour batteries et pour tirer parti des progrès de la science basée sur l’IA et de l’automatisation des laboratoires. »
La musique des batteries
L’intelligence artificielle repère les candidats prometteurs que les scientifiques peuvent tester en laboratoire, afin qu’ils perdent moins de temps, d’énergie et de ressources dans des impasses et des faux départs. Les chercheurs de l’UChicago PME utilisent déjà l’IA pour développer des traitements contre le cancer, des immunothérapies, des méthodes de traitement de l’eau, des matériaux quantiques et d’autres nouvelles technologies.
Étant donné que le nombre théorique de molécules susceptibles de constituer les électrolytes d’une batterie est de 10 puissance 60, c’est-à-dire un 1 suivi de 60 zéros, une technologie capable de repérer les molécules les plus prometteuses parmi des milliards de molécules non prometteuses confère aux chercheurs un avantage considérable.
Il nous aurait été impossible de passer en revue des centaines de millions de composés pour nous dire « Oh, je pense que nous devrions étudier celui-ci » a dit M. Amanchukwu.
M. Amanchukwu compare l’utilisation de l’IA dans la recherche à l’écoute de musique en ligne.
Imaginez une IA formée aux goûts musicaux d’une personne donnée, la combinaison des qualités qui entrent dans son « eScore » personnel pour les bonnes chansons. La nouvelle recherche sur les électrolytes a créé l’équivalent d’une IA capable de parcourir une liste de lecture existante et de prédire, chanson par chanson, si la personne l’aimera. L’étape suivante sera une IA capable de créer une liste de chansons qu’elle pense que la personne aimera, une modification conceptuelle subtile mais importante.
L’étape finale – et l’objectif de la recherche en IA du laboratoire Amanchukwu – sera une IA capable d’écrire la musique, ou dans ce cas de concevoir une nouvelle molécule, qui réponde à tous les paramètres donnés.
L’année dernière, M. Amanchukwu a reçu une bourse Google Research Scholar pour aider le laboratoire à se rapprocher de cette étape finale : une IA électrolytique véritablement générative.
Une bizarrerie de la conception graphique
L’équipe a commencé à collecter manuellement les données d’entraînement pour l’IA à partir de 2020.
« L’ensemble de données actuel comprend des milliers d’électrolytes potentiels que nous avons extraits d’une littérature couvrant plus de 50 ans de recherche », explique M. Kumar.
L’une des raisons pour lesquelles les données doivent être saisies manuellement n’est pas liée à la chimie, mais à la conception graphique.
Lorsque les chercheurs rédigent des articles et que les revues les présentent sous forme de magazine, les chiffres que l’équipe transforme en notes électroniques se trouvent généralement dans des images. Il s’agit d’illustrations, de graphiques, de diagrammes et d’autres éléments graphiques en format jpeg ou .png qui figurent dans le texte, mais qui ne font pas partie du texte lui-même.
La plupart des grands modèles linguistiques qui s’entraînent avec des documents de recherche se contentent de lire le texte, ce qui signifie que l’équipe PME de l’UChicago devra saisir manuellement les données d’entraînement pendant un certain temps encore.
« Même les modèles actuels ont du mal à extraire des données d’images », indique M. Amanchukwu.
Bien que les données d’entraînement soient massives, il ne s’agit que d’une première étape.
« Je ne veux pas trouver une molécule qui se trouve déjà dans mes données d’entraînement », ajoute M. Amanchukwu. « Je veux chercher des molécules dans des espaces chimiques très différents. Nous avons donc testé la capacité de prédiction de ces modèles lorsqu’ils voient une molécule qu’ils n’ont jamais vue auparavant. »
L’équipe a constaté que lorsqu’une molécule était chimiquement similaire à l’une des molécules des données d’entraînement, l’IA prédisait avec une grande précision la qualité de l’électrolyte qu’elle produirait. Elle a eu du mal à identifier les matériaux inconnus, ce qui constitue le prochain défi de l’équipe dans sa quête de l’utilisation de l’IA pour concevoir des batteries de nouvelle génération.
Légende illustration : Ritesh Kumar, titulaire d’une bourse postdoctorale Eric et Wendy Schimdt AI in Science, est le premier auteur d’un nouvel article qui décrit comment l’intelligence artificielle et l’apprentissage automatique peuvent aider à découvrir de nouveaux électrolytes puissants.
« Electrolytomics : A Unified Big Data Approach for Electrolyte Design and Discovery, » Kumar et al, Chemistry of Materials, April 1, 2025. DOI: 10.1021/acs.chemmater.4c03196
