Tirer parti de l’apprentissage automatique pour trouver des compositions prometteuses pour les batteries sodium-ion
Le stockage de l’énergie est un élément essentiel de nombreuses technologies durables en croissance rapide, notamment les voitures électriques et la production d’énergie renouvelable. Bien que les batteries lithium-ion (LIB) dominent le marché actuel, le lithium est un élément relativement rare et coûteux, ce qui crée des problèmes à la fois économiques et de stabilité de l'approvisionnement. En conséquence, les chercheurs du monde entier expérimentent de nouveaux types de batteries fabriquées à partir de matériaux plus abondants.
Les batteries sodium-ion (Na-ion) qui utilisent des ions sodium comme vecteurs d'énergie présentent une alternative prometteuse aux LIB en raison de l'abondance de sodium, de leur plus grande sécurité et de leur coût potentiellement inférieur. En particulier, les oxydes en couches de métaux de transition contenant du sodium (NaMeO2) sont des matériaux puissants pour l'électrode positive des batteries Na-ion, offrant une densité énergétique et une capacité exceptionnelles.
Cependant, pour les oxydes en couches multi-éléments composés de plusieurs métaux de transition, le grand nombre de combinaisons possibles rend la recherche de la composition optimale à la fois complexe et longue. Même des changements mineurs dans la sélection et la proportion de métaux de transition peuvent entraîner des changements marqués dans la morphologie des cristaux et affecter les performances de la batterie.
Maintenant, dans une étude récente, une équipe de recherche dirigée par le professeur Shinichi Komaba, avec Mme Saaya Sekine et le Dr Tomooki Hosaka de l'Université des sciences de Tokyo (TUS), au Japon, et de l'Université de technologie Chalmers, et le professeur Masanobu Nakayama de L'Institut de technologie de Nagoya a exploité l'apprentissage automatique pour rationaliser la recherche de compositions prometteuses. Les résultats de leur étude sont publiés en ligne dans le Journal de chimie des matériaux A.
L'équipe a cherché à automatiser le criblage de compositions élémentaires dans divers NaMeO2 Ô3-matériaux de type. À cette fin, ils ont d’abord constitué une base de données de 100 échantillons provenant d’O3-Des demi-cellules sodiques de type 68 de compositions différentes, rassemblées pendant 11 ans par le groupe de Komaba.
« La base de données comprenait la composition de NaMeO2 échantillons, Me étant un métal de transition comme Mn, Ti, Zn, Ni, Zn, Fe et Sn, entre autres, ainsi que les limites de tension supérieure et inférieure des tests de charge-décharge, la capacité de décharge initiale, la tension de décharge moyenne, et la rétention de capacité après 20 cycles », explique Komaba.
Les chercheurs ont ensuite utilisé cette base de données pour entraîner un modèle intégrant plusieurs algorithmes d’apprentissage automatique, ainsi que l’optimisation bayésienne, afin d’effectuer une recherche efficace. Le but de ce modèle était d'apprendre comment des propriétés telles que la tension de fonctionnement, la rétention de capacité (durée de vie) et la densité énergétique sont liées à la composition de NaMeO.2 oxydes en couches, et pour prédire le rapport optimal d'éléments nécessaire pour atteindre l'équilibre souhaité entre ces propriétés.
Après avoir analysé les résultats, l'équipe a constaté que le modèle prédisait Na[Mn0.36Ni0.44Ti0.15Fe0.05]Ô2 être la composition optimale pour atteindre la densité d'énergie la plus élevée, ce qui est l'une des caractéristiques les plus importantes des matériaux d'électrode. Pour vérifier l'exactitude de la prédiction du modèle, ils ont synthétisé des échantillons avec cette composition et assemblé des piles bouton standard pour effectuer des tests de charge-décharge.
Les valeurs mesurées étaient, pour la plupart, cohérentes avec celles prédites, soulignant la précision du modèle et son potentiel pour l'exploration de nouveaux matériaux de batterie.
« L'approche établie dans notre étude offre une méthode efficace pour identifier des compositions prometteuses parmi un large éventail de candidats potentiels », remarque Komaba. « De plus, cette méthodologie est extensible à des systèmes de matériaux plus complexes, tels que les oxydes de métaux de transition quinaires. »
L’utilisation de l’apprentissage automatique pour identifier des pistes de recherche prometteuses est une tendance croissante en science des matériaux, car elle peut aider les scientifiques à réduire considérablement le nombre d’expériences et le temps nécessaire à la sélection de nouveaux matériaux. La stratégie présentée dans cette étude pourrait accélérer le développement de batteries de nouvelle génération, qui ont le potentiel de révolutionner les technologies de stockage d’énergie à tous les niveaux.
Cela inclut non seulement la production d’énergie renouvelable et les véhicules électriques ou hybrides, mais également les appareils électroniques grand public tels que les ordinateurs portables et les smartphones. De plus, les applications réussies de l’apprentissage automatique dans la recherche sur les batteries peuvent servir de modèle pour le développement de matériaux dans d’autres domaines, accélérant potentiellement l’innovation dans le paysage plus large de la science des matériaux.
« Le nombre d'expériences peut être réduit grâce à l'apprentissage automatique, ce qui nous rapproche de l'accélération et de la réduction du coût du développement des matériaux. De plus, à mesure que les performances des matériaux d'électrode pour les batteries Na-ion continuent de s'améliorer, on s'attend à ce que que des batteries haute capacité et longue durée de vie seront disponibles à moindre coût à l'avenir », conclut Komaba.
