L’intelligence artificielle au service des énergies propres : optimiser et accélérer la découverte de matériaux performants

Des scientifiques de la University of Toronto ont mis au point une méthode qui fait appel à l’intelligence artificielle pour découvrir des matériaux plus efficaces pouvant être utilisés dans le domaine des énergies propres.

Une équipe dirigée par Alex Voznyy, professeur adjoint au département des sciences physiques et environnementales de la University of Toronto à Scarborough, a utilisé l’apprentissage machine pour accélérer considérablement la découverte de matériaux aux propriétés souhaitées.

« Nous essayons de trouver de meilleurs matériaux que ceux dont nous disposons actuellement », explique M. Voznyy, dont les travaux portent sur la mise au point de matériaux entrant dans la composition des piles au lithium-ion, des dispositifs de stockage d’hydrogène, des technologies de capture de CO2 et des cellules solaires.

« Nous avons donc deux possibilités : mettre au point des matériaux inédits ou utiliser des matériaux que nous connaissons déjà, mais dont nous n’avons jamais envisagé l’utilisation dans les applications d’énergie propre. »

Selon le chercheur, les matériaux employés dans le domaine sont souvent trop chers, pas assez efficaces ou à la limite de leurs capacités. L’objectif est d’en créer de meilleurs en combinant des éléments de matériaux qui existent déjà.

Le modèle d’apprentissage machine s’appuie sur les données tirées du Materials Project, une base de données en libre accès qui recense les propriétés de plus de 140 000 matériaux créés au cours de la dernière décennie. Les données portent sur la structure cristalline, la composition moléculaire, la densité, la conductivité et la stabilité des matériaux.

M. Voznyy explique que pour déterminer la combinaison de matériaux qui permettrait d’améliorer la pile au lithium-ion, par exemple, il faut pouvoir établir la stabilité du nouveau matériau et la quantité d’énergie qu’il peut stocker.

Le nœud du problème? Les calculs nécessaires pour faire ce travail ne peuvent pas être effectués aisément à grande échelle. En effet, les produits complexes comme les alliages nécessitent l’encodage de deux fois plus d’atomes, ce qui rend les calculs quatre fois plus longs à effectuer avec les méthodes traditionnelles. Ces méthodes reposent sur une approche de la chimie quantique que le chercheur appelle « calcul par force brute », car elle est lente et requiert une grande puissance de calcul.

Or, le modèle mis au point par son équipe peut effectuer ces calculs 1 000 fois plus rapidement.

« L’idée, c’est de ne pas passer la prochaine décennie à préparer des données qui donneront encore et toujours les mêmes résultats », explique M. Voznyy, qui dirige également le  Clean Energy Lab (site en anglais seulement) de la University of Toronto à Scarborough.

« Nous voulons être en mesure de prévoir plus rapidement et plus efficacement les caractéristiques de nouveaux matériaux pour pouvoir commencer le processus d’élaboration physique sans perdre de temps et avec une confiance accrue dans le résultat. »

Les modèles précédents étaient capables de reproduire la stabilité des matériaux connus, mais ils ne pouvaient pas prévoir les caractéristiques de matériaux dont on ne connaissait pas la structure cristalline (c’est-à-dire l’organisation interne des atomes, des ions et des molécules), un facteur pourtant essentiel pour déterminer les propriétés physiques d’un matériau. Étant entraîné sur ce qu’on appelle des structures avec distorsion, le nouveau modèle donne des indications de la façon dont les matériaux se comporteront sous contrainte et peut assouplir la structure cristalline jusqu’à sa configuration la plus stable.

« Pour prévoir avec précision les propriétés des nouveaux matériaux et la façon dont ces matériaux vont réagir, il est essentiel de connaître précisément leur géométrie cristalline », souligne M. Voznyy. « Cette méthode accélère considérablement le processus et ouvre un monde de possibilités. »

L’équipe de M. Voznyy a réalisé les calculs de l’étude sur Niagara, le superordinateur de la University of Toronto situé au  centre SciNet (site en anglais seulement).

La recherche, dont les résultats sont publiés dans la revue Patterns, a été financée par le Conseil de recherches en sciences naturelles et en génie du Canada.

Le présent article a été adapté, traduit et publié avec l’autorisation de la  University of Toronto (site en anglais seulement).

Récit suivant