Les chercheurs se sont tournés vers l’intelligence artificielle pour résoudre un problème qui a des scientifiques de matériaux vexés pendant des décennies: comment découvrir efficacement de nouveaux matériaux qui peuvent surpasser la batterie lithium-ion en titre. Une étude révolutionnaire publiée dans Cell rapporte les sciences physiques révèle une nouvelle méthodologie puissante axée sur l’IA qui a déjà identifié cinq nouveaux candidats matériels, potentiellement accélérant le mouvement vers un avenir post-lithium avec des batteries plus durables, plus sûres et plus durables.
La grande batterie goulot d’étranglement: une aiguille dans une botte de foin
Pour toutes leurs batteries au lithium-ion, les batteries ont des limites. La dépendance à l’égard des métaux de la terre rare comme le lithium et le cobalt présente des risques importants de la chaîne d’approvisionnement et des préoccupations environnementales. En outre, la technologie approche d’un plateau en termes de densité d’énergie et de performances. Les scientifiques ont longtemps théorisé que des matériaux connus sous le nom Oxydes de métal de transition (TMOS) tenir une immense promesse. Leurs structures cristallines polyvalentes et leur conductivité ionique élevée en font des candidats idéaux pour les batteries qui utilisent des ions abondants et multivalents comme le zinc, le magnésium et l’aluminium au lieu du lithium.
Le défi, cependant, est monumental. Le nombre de structures TMO possibles, combinant divers éléments dans différents rapports et configurations, est astronomiquement vaste. Les explorer avec des méthodes expérimentales traditionnelles ou même des techniques de calcul standard comme la théorie fonctionnelle de la densité (DFT) est un problème classique de «l’aiguille dans une botte de foin» – un peu lent et coûteux. C’est ce goulot d’étranglement que la nouvelle recherche vise à rompre avec un cadre d’IA génératif sophistiqué et à pongre.
Un double cadre d’IA pour la découverte accélérée
Plutôt que de s’appuyer sur un seul modèle, les chercheurs ont conçu un système synergique où deux types différents d’IA génératifs ont été utilisés pour explorer l’espace chimique sous différents angles. Cette approche garantit une recherche plus complète et robuste de nouveaux matériaux viables.
Le premier composant est un Autoencoder variationnel de diffusion cristalline (CDVAE). Ce modèle a été conçu pour être l’explorateur créatif. Il a été formé sur un ensemble de données massif de plus de 44 000 structures TMO connues, lui permettant d’apprendre les «règles» fondamentales de la façon dont les cristaux stables se forment. Le CDVAE utilise ensuite ces connaissances pour générer une grande diversité de nouvelles structures cristallines plausibles – dont beaucoup n’ont jamais été vues auparavant. Dans l’étude, il a généré un pool initial de 10 000 candidats, démontrant sa puissance dans l’exploration d’un large éventail de nouvelles configurations.
Le deuxième composant est un réglage fin lModèle de langue ARGE (LLM)en particulier une version du modèle LLAMA-3.1 de Meta. Bien que nous associons généralement les LLM avec du texte, les chercheurs l’ont intelligemment adapté au langage de la chimie. Ils ont converti des structures cristallines complexes en séquences de texte tokenisées que le LLM pourrait traiter. La force du modèle ne réside pas dans une vaste exploration, mais en précision. Il excelle dans la génération de structures très proches de l’équilibre thermodynamique, ce qui signifie qu’elles sont très stables et plus susceptibles d’être synthétisables dans un laboratoire. Ce modèle a également produit 10 000 structures, mais ils étaient concentrés dans une région plus étroite et plus stable de l’espace chimique.
Une fois ces dizaines de milliers de candidats générés, ils ont été transmis à un troisième modèle d’IA, un outil d’apprentissage automatique vers l’avant appelé Alignerqui a agi comme un filtre de dépistage rapide. Il prédisait rapidement les propriétés cruciales pour chaque structure – telles que son énergie de formation, son interdite et son «énergie au-dessus de la coque» (une métrique clé pour la stabilité) – allant aux chercheurs à rejeter les candidats non prometteurs et à se concentrer uniquement sur les plus viables.
Comparer les créateurs d’IA: stabilité contre nouveauté
L’un des résultats les plus fascinants de l’étude a été la différence claire dans les matériaux générés par les deux modèles. Le LLM a produit un pourcentage beaucoup plus élevé de structures qui ont été considérées comme thermodynamiquement stables, avec une valeur «d’énergie au-dessus de la coque» sous le seuil de 0,08 eV / atome. Plus précisément, 46% de ses candidats filtrés étaient stables, contre seulement 15% de la CDVAE.
Cependant, cela ne raconte pas toute l’histoire. Alors que les créations de la LLM étaient plus stables «hors de la boîte», le Cdvae a produit une gamme beaucoup plus large de structures avec une plus grande diversité structurelle. Sa capacité à générer des matériaux avec des groupes d’espace à faible symétrie lui a permis de trouver des configurations uniques qui, bien que initialement moins stables, avaient le potentiel de se détendre en minima d’énergie encore plus profonde que tout ce que le LLM a trouvé. Cela suggère que le CDVAE est supérieur pour découvrir des phases d’énergie profonde vraiment nouvelles qui pourraient être synthétisées dans des conditions non équilibrées spécifiques.
Ce compromis est crucial: le LLM est mieux pour trouver des matériaux faciles à faire, tandis que les CDVAE sont meilleurs pour trouver des matériaux potentiellement révolutionnaires qui pourraient nécessiter des techniques de synthèse plus avancées.
La percée: cinq nouveaux TMO pour les batteries de nouvelle génération
Le triomphe ultime du projet est venu du modèle CDVAE, qui a généré avec succès cinq nouvelles structures à base de TMO avec des propriétés idéales pour les batteries à ions multivalents. Ces matériaux, y compris des compositions comme Cusn₂of₈ et Ca₄o₂in₂comportez les grands cadres ouverts qui sont essentiels pour permettre aux ions plus grands de se déplacer dans l’électrode efficacement et en toute sécurité.
Pour confirmer la viabilité de ces découvertes, l’équipe a effectué des calculs de dispersion des phonons sur une structure représentative, Ca₄o₂in₂. Les résultats n’ont montré aucune instabilité de réseau, confirmant sa stabilité dynamique. Même s’il est considéré comme métastable, sa structure est saine, ouvrant la porte à sa synthèse potentielle. Cette étape valide que l’IA ne génère pas seulement des fantasmes théoriques, mais des matériaux physiquement plausibles dignes de poursuite expérimentale.
