L’IA utilisée pour découvrir des matériaux énergétiques propres « plus rapidement et plus efficacement »
Performances du modèle sur la prédiction des déformations locales Prédiction de l’énergie de formation de (A) ZrMo2(B) MgO et (C) YFe5 le long des traces de dynamique moléculaire à 800 K. Motifs (2023). DOI : 10.1016/j.patter.2022.100663
Des chercheurs de l’Université de Toronto ont mis au point une méthode d’exploitation de l’intelligence artificielle pour découvrir de nouveaux matériaux plus efficaces pour la technologie de l’énergie propre.
Une équipe dirigée par Alex Voznyy, professeur adjoint au département des sciences physiques et environnementales de l’Université de Scarborough, a utilisé l’apprentissage automatique pour accélérer considérablement le temps nécessaire pour trouver de nouveaux matériaux aux propriétés souhaitées.
« Nous essayons de trouver de meilleures alternatives aux matériaux que nous avons actuellement », explique Voznyy, dont les recherches portent sur le développement de nouveaux matériaux pour les batteries lithium-ion, le stockage de l’hydrogène, le CO2 capteurs et cellules solaires.
« Cela pourrait signifier développer des matériaux complètement nouveaux ou utiliser des matériaux que nous connaissons déjà mais que nous n’avons jamais envisagé d’utiliser dans des applications d’énergie propre. »
Voznyy dit qu’un problème majeur avec les matériaux actuellement utilisés dans les technologies d’énergie propre est qu’ils sont soit coûteux, inefficaces ou à la limite de leurs capacités. L’objectif, dit-il, est de créer de nouveaux et meilleurs matériaux en combinant des éléments de ceux qui existent déjà.
Le modèle d’apprentissage automatique s’appuie sur les données trouvées dans le Materials Project, une base de données open source de plus de 140 000 matériaux connus développés au cours de la dernière décennie. Il contient des informations sur les composants des matériaux connus, y compris la structure cristalline, la composition moléculaire, la densité, la conductivité énergétique et la stabilité.
Pour déterminer quelle combinaison de matériaux existants pourrait conduire à une meilleure batterie lithium-ion, par exemple, Voznyy dit qu’il peut être nécessaire de déterminer la stabilité du nouveau matériau et la quantité d’énergie qu’il peut stocker.
Le défi est que les calculs nécessaires pour effectuer ce travail ne sont pas très bien dimensionnés. Les matériaux plus complexes tels qu’un alliage nécessitent deux fois plus d’atomes pour être codés, ce qui rend le calcul quatre fois plus lent avec les méthodes conventionnelles. Faire ces types de calculs repose actuellement sur une approche de chimie quantique que Voznyy appelle « calcul par force brute » car elle est lente et utilise beaucoup de puissance de calcul.
En revanche, le modèle développé par l’équipe de Voznyy peut effectuer ces calculs 1 000 fois plus rapidement.
« Notre philosophie est que nous ne voulons pas passer encore 10 ans à préparer des données qui prédiront le même résultat », explique Voznyy, qui dirige le Clean Energy Lab à l’U of T Scarborough.
« Nous voulons être en mesure de prévoir de nouveaux matériaux plus rapidement et plus efficacement afin de pouvoir commencer à créer physiquement ces matériaux plus tôt et avec une plus grande certitude qu’ils fonctionneront. »
Les modèles précédents étaient capables de reproduire les stabilités des matériaux connus, mais ils ne pouvaient pas prédire pour les matériaux avec des structures cristallines inconnues, ce qui fait référence à la façon dont les atomes, les ions et les molécules sont disposés dans un matériau, un facteur essentiel pour déterminer ses propriétés physiques. En formant le nouveau modèle sur ce qu’on appelle des structures déformées, il donne un aperçu de la façon dont les nouveaux matériaux se comporteront sous contrainte et permet au modèle de détendre une structure cristalline à sa configuration plus stable.
« Connaître la géométrie précise du cristal est essentiel pour prédire avec précision à quoi ressembleront les propriétés des nouveaux matériaux et comment ils se comporteront », explique Voznyy. « Cette méthode accélère considérablement ce processus et ouvre de nombreuses possibilités. »
L’équipe de Voznny a utilisé Niagara, le superordinateur de l’Université de Toronto situé au centre SciNet, pour effectuer les calculs de l’étude, qui a été publiée dans la revue Motifs.
