Une expérimentation guidée par l'IA identifie une meilleure solution de stockage d'énergie

Trouver une aiguille dans une botte de foin est une tâche par excellence impossible. Mais et si de nouveaux outils pouvaient rendre cela facilement réalisable ? Imaginez si, au lieu de tout fouiller à la main, vous pouviez répartir de petits tas de foin et utiliser des aimants.

L’intelligence artificielle (IA) peut agir comme un aimant pour les solutions scientifiques, en extrayant des informations importantes d’une montagne de possibilités.

Mais l’IA ne peut pas faire grand-chose. Si la botte de foin est trop grosse, même le système le plus puissant peut être bloqué. Utiliser efficacement l’IA nécessite d’impliquer intelligemment l’expertise scientifique du domaine dans le processus. Une équipe de scientifiques a réuni l’IA, l’expérimentation à haut débit et les connaissances en science des matériaux pour accélérer le processus de découverte.

La combinaison a fonctionné. L'équipe, dirigée par des chercheurs du Pacific Northwest National Laboratory (PNNL) et du Argonne National Laboratory, a identifié des combinaisons de solvants capables de dissoudre trois fois plus d'un composé proposé dans le cadre d'une batterie à flux redox économe en énergie.

Ils ont réussi en limitant rapidement leur recherche à moins de 10 % des combinaisons possibles. Les résultats sont publiés dans Communications naturelles.

L’équipe comprenait des experts issus d’horizons complémentaires, tous concentrés sur la création d’une plate-forme capable de réaliser intelligemment des expériences à haut débit. Ils ont exploré une gamme de mélanges de solvants organiques pour concevoir un système électrolytique optimal pour les batteries à flux à base de redoxmer.

« Souvent, les gens considèrent un système automatisé comme un moyen d'accélérer la découverte en augmentant considérablement le nombre d'expériences pouvant être réalisées », a déclaré Vijay Murugesan, scientifique en matériaux au PNNL et co-auteur de l'article. « Nous voulions accélérer la découverte avec une efficacité accrue en utilisant l'IA pour la science. »

Bien que la plateforme cible spécifiquement les mélanges d’électrolytes pour le stockage d’énergie, le processus général peut être appliqué à d’autres systèmes. Selon les chercheurs, cela pourrait s'avérer très utile pour les problèmes comportant un large éventail de solutions potentielles au sein d'un système contraint.

Données à haut débit pour l'intelligence artificielle

Plutôt que de mener des expériences de manière indépendante, l’équipe d’expérimentation à haut débit a collecté des données pour combler les lacunes de l’algorithme de l’équipe d’IA. Souvent, le type de données dont le modèle d’IA a besoin n’est pas disponible pour les systèmes de laboratoire. L’algorithme doit ensuite être entraîné sur les résultats informatiques, ce qui peut conduire à des biais supplémentaires.

Du côté expérimental, la détermination de mélanges de solvants optimisés constitue un problème majeur. « Nous avons identifié 2 000 combinaisons possibles », a déclaré Yangang Liang, auteur co-correspondant et expert en expérimentation à haut débit au PNNL.

« C'est un nombre peu pratique de combinaisons à tester, même avec notre système robotique. Même si le robot peut réaliser des expériences plus rapidement, il nécessite néanmoins des produits chimiques et de l'énergie. »

Identifier les options les plus prometteuses sans l’IA aurait quand même nécessité des centaines d’expériences. Pour affiner leur recherche, l’équipe a ciblé sa collecte de données initiale sur la base des lacunes connues dans les ensembles de formation pour le modèle d’IA.

L’intégration de données expérimentales haute fidélité dans le modèle a conduit à un système mieux entraîné, qui à son tour a donné de meilleures prédictions pour la prochaine série d’expériences.

« Notre approche est incroyablement efficace », a déclaré Murugesan. « Nous exploitons la vitesse du haut débit et l'intuition humaine pour mieux former l'IA. »

Le pouvoir des données collaboratives

Le produit de cette collaboration est double : le premier est l’identification du mélange de solvants, objectif scientifique du travail. La seconde consiste à créer un ensemble de données haute fidélité à partir de données expérimentales. L’équipe espère que d’autres pourront utiliser les données pour de futurs travaux au-delà de l’exploration des mélanges de solvants pour les batteries à flux rédox organique.

« Nous avons intentionnellement adopté une approche visant à créer des données haute fidélité pouvant aider à créer de meilleurs modèles prédictifs », a déclaré Murugesan. « Notre processus a été éclairé par la vaste expertise de notre équipe, ce qui a été rendu possible par l'investissement du ministère de l'Énergie dans le travail à l'échelle des centres. Les centres se spécialisent dans ce type d'idées ambitieuses qui nécessitent la réunion de plusieurs disciplines. »

Le projet a été soutenu par un effort de recherche sur le stockage de l’énergie qui a réuni six laboratoires nationaux et 10 universités de 2018 à 2023.

« Ce travail a été vraiment inspiré par feu George Crabtree, le directeur fondateur du JCESR », a déclaré Murugesan. « Nous lui avons proposé l'idée d'utiliser la capacité à haut débit du PNNL pour la découverte d'électrolytes, mais il nous a mis au défi de voir plus grand et de collaborer avec l'équipe d'IA.

« Grâce à son inspiration, nous avons appris qu'ensemble, nous pouvons produire des résultats percutants plus rapidement en intégrant des modèles d'IA et des plateformes robotiques. »

Se rendre dans un laboratoire autonome

Les données produites par l’équipe, basées sur les matériaux, sont du type nécessaire à la création de systèmes d’IA efficaces qui piloteront les boucles expérimentales dans des espaces de laboratoire autonomes. « Je considère ces types de flux de travail comme étant essentiels à un nouveau paradigme de découverte de matériaux », a déclaré Hieu Doan, auteur co-correspondant qui a dirigé les travaux sur l'IA.

« Je suis ravi de voir l'avenir de la collaboration entre les chercheurs en IA et les scientifiques des matériaux », a ajouté Karl Mueller, co-auteur de l'article et directeur du Bureau de développement de programmes pour la Direction des sciences physiques et informatiques. « Accélérer la découverte de matériaux est essentiel pour résoudre les problèmes de stockage d'énergie. »

Outre Liang, Murugesan et Mueller, Juran Noh et Heather Job ont contribué au projet du PNNL. L'équipe d'Argonne comprenait Doan, Lily Robertson, Lu Zhang et Rajeev Assary. De nombreux collaborateurs de ce travail font partie du nouveau centre d’innovation énergétique de l’Alliance de recherche sur le stockage d’énergie.