Un électrolyte à l’état solide permet de créer des batteries Na et Li
Des chercheurs américains ont utilisé l’intelligence artificielle pour mettre au point un électrolyte pour les piles à semiconducteurs qui permet d’utiliser à la fois du sodium et du lithium, ce qui réduit la dépendance à l’égard du lithium.
Le matériau de batterie à l’état solide mis au point au Pacific Northwest National Laboratory (PNNL) est le fruit d’une collaboration utilisant Azure Quantum Elements de Microsoft pour réduire les quelques 32 millions de matériaux inorganiques potentiels à 18 candidats prometteurs susceptibles d’être utilisés dans le développement de batteries en seulement 80 heures.
- Le moteur de recommandation de l’IA réduit le temps de test des batteries
- Un double coup de pouce de l’IA pour le développement de matériaux pour batteries à l’état solide
On pensait que les ions sodium et les ions lithium ne pouvaient pas être utilisés ensemble dans un système d’électrolyte à l’état solide parce qu’ils sont chargés de manière similaire mais ont des tailles différentes, explique le PNNL. On supposait également que le cadre structurel d’un matériau électrolytique à l’état solide ne pouvait pas supporter le mouvement de deux ions différents. Mais après les essais, « nous avons constaté que les ions sodium et lithium semblent s’entraider », a déclaré Vijay Murugesan, chef du groupe des sciences des matériaux au PNNL.
Le nouveau matériau présente un avantage : sa structure moléculaire comporte naturellement des canaux intégrés qui aident les deux ions à se déplacer dans l’électrolyte. Il a été synthétisé avec succès et transformé en prototypes de piles fonctionnelles qui seront soumises à de nombreux tests en laboratoire.
Les chercheurs du laboratoire national d’Argonne ont déjà utilisé une combinaison de cathode de sodium et de lithium pour la batterie Ultium de General Motors, mais avec un électrolyte liquide.
- L’innovation en matière de cathode fait des batteries sodium-ion une option attrayante
- Acculon lance la production de cellules de batteries sodium-ion
M. Murugesan envisage le développement d’un jumeau numérique pour la chimie ou les matériaux, « de sorte qu’il ne soit pas nécessaire d’aller dans un laboratoire, d’assembler ce matériau, de fabriquer une batterie et de la tester. Vous pouvez dire « voici mon anode, voici ma cathode, voici l’électrolyte et voici la tension que je vais appliquer », et le système peut alors prédire comment tout fonctionnera ensemble. Même des détails comme, après 10 000 cycles et cinq ans d’utilisation, la performance du matériau sera comme ceci ».
- Le nouvel ordinateur quantique IonQ arrive sur Microsoft Azure
- Microsoft s’associe à Photonic pour un accord quantique de 100 millions de dollars
Pour identifier le matériau de l’électrolyte de la batterie à l’état solide, Microsoft a d’abord entraîné différents systèmes d’intelligence artificielle à effectuer des évaluations sophistiquées de tous les éléments utilisables et à suggérer des combinaisons. L’algorithme a proposé 32 millions de candidats, ce qui revient à trouver une aiguille dans une botte de foin. Ensuite, le système d’intelligence artificielle a trouvé tous les matériaux stables. Un autre outil d’IA a filtré les molécules candidates sur la base de leur réactivité, et un autre sur la base de leur potentiel à conduire l’énergie.
Azure Quantum Elements propose un système d’informatique en nuage conçu pour la recherche en chimie et en science des matériaux, dans la perspective d’une éventuelle informatique quantique, et travaille déjà sur ce type de modèles, d’outils et de flux de travail. Ces modèles seront améliorés pour les futurs ordinateurs quantiques, mais ils s’avèrent déjà utiles pour faire progresser la découverte scientifique à l’aide d’ordinateurs traditionnels.
« À chaque étape de la simulation où je devais effectuer un calcul de chimie quantique, j’appelle le modèle d’apprentissage automatique. J’obtiens donc toujours les informations et les observations détaillées qui découlent de l’exécution de la simulation, mais celle-ci peut être jusqu’à un demi-million de fois plus rapide », explique Nathan Baker, chef de produit pour Azure Quantum Elements.
La série de filtres suivante a utilisé le calcul haute performance, qui offre une grande précision mais utilise beaucoup de puissance de calcul. Il s’agit donc d’un bon outil pour un ensemble plus restreint de matériaux candidats. La première vérification HPC a utilisé la théorie de la fonctionnelle de la densité pour calculer l’énergie de chaque matériau par rapport à tous les autres états dans lesquels il pourrait se trouver. Puis sont apparues les simulations de dynamique moléculaire qui combinent l’IA et le HPC pour analyser les mouvements des atomes et des molécules à l’intérieur de chaque matériau.
Ce processus a permis de réduire la liste à 150 candidats. Enfin, les scientifiques de Microsoft ont utilisé le calcul intensif pour évaluer l’aspect pratique de chaque matériau (disponibilité, coût, etc.) afin de réduire la liste à 23, dont cinq étaient déjà connus.
Si vous avez apprécié cet article, vous aimerez les suivants : ne les manquez pas en vous abonnant à :
