Au début de l'année, des chercheurs de l'université Carnegie Mellon (Californie, Etats-Unis) ont utilisé un système robotisé pour mener des dizaines d'expérimentations visant à générer des électrolytes permettant aux batteries lithium-ion de se charger plus rapidement. Ainsi, les chercheurs pourraient avoir trouvé un moyen d'éliminer l'un des principaux obstacles empêchant l'adoption généralisée des véhicules électriques.
Le système de pompes, valves et instruments automatisés est baptisé "Clio". Il a mélangé divers solvants, sels et autres produits chimiques avant d'évaluer les performances de la solution face aux critères critiques de référence des batteries. Ensuite, les résultats ont été transmis à un logiciel d'apprentissage automatique (machine learning) nommé "Dragonfly" qui s'est servi de ces données pour proposer différentes combinaisons chimiques susceptibles d'offrir de meilleures performances.
Au final, selon un article paru dans la revue scientifique Nature Communications, le sytème a produit six solutions d'électrolytes plus performantes que les modèles standards. La meilleure d'entre elles affichait des performances plus élevées de 13% par rapport à la batterie de base la plus efficace.
Il est crucial de développer de meilleurs électrolytes afin d'améliorer les performances et la sécurité ainsi que pour réduire les coûts des batteries. Des batteries se rechargeant plus rapidement constituent un facteur important pour rendre les voitures et camionnettes électriques plus attrayantes car elles permettent d'éviter les longues files d'attente aux stations de recharge.
Ces dernières années, les laboratoires de recherche ont de plus en plus souvent combiné des systèmes robotisés avec des logiciels d'apprentissage automatique - qui identifient des modèles de données pour améliorer des tâches spécifiques - afin de développer des matériaux idéalement adaptés à des besoins particuliers.
Historiquement, les chercheurs en découverte de matériaux ont conçu et testé des options en s'appuyant sur un mélange d'intuitions, de spéculations éclairées et de tâtonnements. Ils ont affaire à un processus long et difficile en raison de la vaste gamme de substances et de combinaisons possibles qui peut mener les chercheurs sur de multiples fausses pistes.
Evaluer les possibilités plus rapidement que des humains
Dans le cas des ingrédients utilisés pour fabriquer des électrolytes, "on peut les mélanger et les associer d'une multitude de façons", explique Venkat Viswanathan, professeur associé à l'université Carnegie Mellon, co-auteur de l'article paru dans Nature Communications et co-fondateur scientifique en chef d'Aionics. Afin d'étudier la manière dont la robotique et l'apprentissage automatique pourraient l'aider dans sa démarche, Venkat Viswanathan a collaboré avec Jay Whitacre, directeur du Wilton E. Scott Institute for Energy Innovation de l'université et co-chercheur principal du projet, ainsi que d'autres chercheurs de Carnegie Mellon.
La promesse avec des systèmes tels que Clio et Dragonfly est qu'ils peuvent passer plus rapidement en revue un large éventail de possibilités que ne le ferait des chercheurs humains et appliquer ce qu'ils apprennent de manière systématique.
"Dragonfly n'est pas doté d'informations sur la chimie ou les batteries, de sorte que ses propositions ne soient pas biaisées au-delà du premier mélange effectué par les chercheurs", indique Venkat Viswanathan. À partir de là, il passe en revue une grande variété de combinaisons, allant d'améliorations légères de la version originale à des suggestions totalement inédites. Le logiciel d'apprentissage automatique se concentre sur un mélange d'ingrédients qui donne des résultats de plus en plus performants par rapport à l'objectif programmé.
Pour en revenir aux expériences menées sur les batteries, l'objectif de l'équipe de Carnegie Mellon était de trouver un électrolyte qui accélérerait le temps de charge des batteries. La solution d'électrolyte aide à transporter les ions - ou les atomes ayant une charge nette due à la perte ou au gain d'un électron - entre les deux électrodes d'une batterie. Durant la décharge, des ions lithium sont créés sur l'électrode négative appelée anode. Ces derniers traversent la solution vers l'électrode positive - la cathode -, où ils gagnent des électrons. Pendant la charge, ce processus est inversé.
L'un des paramètres clés que Clio a mesuré et cherché à optimiser est la "conductivité ionique", c'est-à-dire la facilité avec laquelle les ions traversent la solution, ce qui a une incidence directe sur la rapidité de recharge d'une batterie.
Défi supplémentaire pour les électrolytes commerciaux : ils doivent fonctionner correctement dans une variété d'aspects, y compris les cycles de vie totaux, la puissance et la sécurité. Problème : les améliorations dans un domaine se font souvent au détriment des autres.
Au cours de leurs prochains travaux, les chercheurs de Carnegie Mellon espèrent accélérer les tests robotiques, affiner les outils d'apprentissage automatique et réaliser des expériences avec des objectifs multiples au lieu d'un seul objectif de performance.
Le grand espoir réside dans le fait que l'automatisation et l'apprentissage automatique puissent accélérer la découverte de la prochaine série de matériaux révolutionnaires contribuant ainsi à la mise au point de batteries plus performantes, de cellules photovoltaïques plus efficaces et de bien d'autres dispositifs. Le tout dans un contexte où le monde mène une course pour réduire les émissions responsables du changement climatique.
Article de James Temple, traduit de l'anglais par Kozi Pastakia.
- Accès à tous les articles réservés aux abonnés, sur le site et l'appli
- Le magazine en version numérique
- Navigation sans publicité
- Sans engagement
