Intelligence artificielle
L’IA découvre de nouveaux matériaux pour les batteries de prochaine génération
Lithium contre le reste
Lithium‑ion batteries have so far dominated the electrification landscape, in large part due to lithium atoms’ unique electrical properties. Simply put, lithium, being the 3ème lightest element in the periodic table, is the most powerful one when it comes to carrying charges with a single electron.
Source: Medium
Cependant, le lithium est coûteux, ce qui rend les chimies de batteries alternatives potentiellement attrayantes sur le plan économique. Notamment, les batteries sodium‑ion gagnent en popularité pour cette même raison.
Il semble qu’un autre concept puisse avoir plus de potentiel que ce que l’on pensait: les batteries multivalentes. Elles utilisent des ions métalliques capables de transporter plus d’un électron à la fois, et pourraient être plus rentables que les batteries lithium‑ion.
La percée récente a été réalisée en utilisant l’IA pour tester des millions de combinaisons de matériaux de batterie. Cette découverte a été faite par des chercheurs du New Jersey Institute of Technology (NJIT) and the Rensselaer Polytechnic Institute (RPI) (USA). Ils ont publié leurs résultats dans Cell Reports Physical Science1, sous le titre ”Generative AI for discovering porous oxide materials for next-generation energy storage”.
Les nombreux types de batteries ioniques
Si les batteries lithium‑ion ont conquis les petits appareils électroniques et les premières conceptions de véhicules électriques grâce à leur densité énergétique, de nombreux autres ions métalliques peuvent être utilisés selon le même principe.
Comme indiqué, le sodium‑ion est actuellement une alternative populaire, de plus en plus fabriquée en série pour les modèles de VE bon marché.
Une autre option consiste à utiliser le magnésium, le calcium, l’aluminium ou le zinc, qui sont tous des ions multivalents. Cela signifie qu’ils portent deux voire trois charges positives.
Cependant, la charge plus importante s’accompagne également de tailles plus grandes. Ces spécifications atomiques accrues rendent les ions multivalents difficiles à intégrer efficacement dans les matériaux de batterie, réduisant trop la densité de la batterie pour être commercialement viable.
Du moins, c’était le cas avec les matériaux de batterie conventionnels développés pour les ions lithium ou sodium. Mais ils sont loin d’être les seuls matériaux de batterie possibles. De nombreuses autres structures cristallines pourraient être construites pour accueillir les ions dont le mouvement transporte les charges électriques.
“L’un des plus grands obstacles n’était pas le manque de chimies de batterie prometteuses — c’était l’impossibilité pure de tester des millions de combinaisons de matériaux,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
L’IA aidant la recherche
Un assistant puissant
Les esprits humains ne sont pas les meilleurs pour gérer des ensembles de données où les chiffres atteignent des millions. Mais les IA excellent dans ce domaine.
C’est une tendance croissante parmi les chercheurs, notamment en sciences des matériaux ou en biotechnologie, d’utiliser la technologie IA pour aider à identifier les idées les plus prometteuses, avant de les analyser et de les tester de manière plus rigoureuse.
“Nous nous sommes tournés vers l’IA générative comme une méthode rapide et systématique pour parcourir cet immense paysage et repérer les quelques structures qui pourraient réellement rendre les batteries multivalentes pratiques.
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Auparavant, un modèle informatique reposant uniquement sur la physique n’aurait pas pu gérer le calcul extrêmement complexe nécessaire pour modéliser un nouveau type de structure cristalline.
Mais les nouveaux types d’IA, basés sur l’apprentissage automatique et les réseaux neuronaux, sont plus capables d’« estimer » la propriété générale d’un matériau sans calcul mathématique formel de la physique sous‑jacent.
Source: Cell
Les chercheurs ont développé un système s’appuyant simultanément sur deux types différents d’IA, l’une experte en cristaux, et l’autre LLM (Large Language Model), la même base technologique que ChatGPT.
Source: Cell
Auto‑encodeur variationnel de diffusion cristalline (CDVAE)
Le modèle CDVAE a généré 10 000 structures, qui ont été soumises à une série d’étapes de filtrage et de validation précises afin de garantir qu’elles respectaient les normes requises.
Par exemple, il a vérifié que la distance entre les paires d’atomes était suffisante, ou que le système était neutre sur le plan de la charge.
Cette méthode a généré 42 structures potentiellement utilisables pour les matériaux de batterie.
Parmi celles‑ci, 21 structures correspondaient à des entrées existantes dans la base de données mais offraient de nouvelles configurations avec des différences de stœchiométrie, de paramètres de réseau ou de groupes d’espace. Les 21 structures restantes étaient entièrement nouvelles.
Source: Cell
Ainsi, il a créé à la fois de nouvelles versions de matériaux existants qui étaient auparavant inconnues et de tout nouveaux matériaux potentiels pour les batteries.
LLM
Les chercheurs ont ensuite utilisé le Llama-3.1-8B de Meta (FB ), spécialement calibré et adapté à la génération de structures cristallines.
Source: Cell
Cela a généré plus de 10 000 structures cristallines, dont 1 087 sont restées après vérification de l’intégrité structurelle. En utilisant les mêmes filtres que pour le CDVAE, cela a donné 13 candidats potentiels, dont les 5 structures les plus stables ont été choisies.
Source: Cell
Glissez pour faire défiler →
| Modèle | Structures initiales | Candidats post‑filtrage | Matériaux stables finaux |
|---|---|---|---|
| CDVAE | 10,000 | 42 | 21 variants + 21 novel |
| LLM (Llama-3.1-8B) | 10,000+ | 13 | 5 most stable chosen |
Remettre en question les conclusions de l’IA
Les chercheurs ont utilisé une méthode de test mathématique appelée « relaxation DFT », calculant l’énergie libre du matériau (liée à la stabilité), afin de vérifier la qualité du matériau trouvé.
Il apparaît rapidement que les matériaux cristallins générés par le LLM étaient généralement bien meilleurs et plus stables que ceux générés avec le CDVAE.
Source: Cell
“Nos outils d’IA ont considérablement accéléré le processus de découverte, qui a mis au jour cinq nouvelles structures poreuses d’oxydes de métaux de transition entièrement inédites et très prometteuses,”
Professor Dibakar Datta – New Jersey Institute of Technology (NJIT)
Peut‑elle être fabriquée ?
L’équipe a validé leurs structures générées par l’IA à l’aide de simulations quantiques et de tests de stabilité, confirmant que les matériaux pouvaient effectivement être synthétisés expérimentalement et présenter un grand potentiel pour des applications réelles.
“Ces matériaux possèdent de grands canaux ouverts idéaux pour déplacer rapidement et en toute sécurité ces ions multivalents volumineux, une avancée cruciale pour les batteries de prochaine génération.”
La prochaine étape sera de collaborer avec des laboratoires expérimentaux pour synthétiser et tester les matériaux nouvellement conceptualisés conçus par l’IA.
Cela pourrait faire des batteries multivalentes la prochaine étape de la technologie des batteries. Jusqu’à présent, l’absence d’un matériau adéquat pour accueillir les atomes plus gros a freiné le développement de cette option. En utilisant de meilleurs matériaux pour stocker le magnésium, l’aluminium ou d’autres ions volumineux, la capacité de transport multi‑électronique de ces atomes pourrait peut‑être un jour surpasser même la puissante, mais mono‑électronique, capacité de transport du lithium.
Investir dans la science des matériaux et l’innovation IA
Meta: Science des matériaux guidée par l’IA
Aujourd’hui, Meta est encore principalement connue pour ses plateformes de médias sociaux Facebook et Instagram, ainsi que pour la messagerie WhatsApp. Elle est également présente dans le domaine de la réalité virtuelle (VR) avec ses casques VR et son « Metaverse » quelque peu infructueux.
Il est toutefois important de noter que Meta est une entreprise d’IA avec d’énormes investissements dans l’infrastructure nécessaire pour y parvenir.
“Le premier centre de données multi‑gigawatt, surnommé Prometheus, devrait être mis en service en 2026, tandis qu’un autre, appelé Hyperion, pourra monter en puissance jusqu’à 5 gigawatts au cours des prochaines années.
« Nous construisons plusieurs autres clusters titan également. Un seul de ceux‑ci couvre une partie significative de l’empreinte de Manhattan.
La technologie LLM semble à première vue surtout utile pour les tâches de « conversation », comme les chatbots, l’amélioration de la recherche en ligne, l’éducation et d’autres activités centrées sur l’humain.
(META )
Mais cette recherche montre que la capacité du LLM à apprendre le langage peut être déployée sur d’autres tâches lourdes en données, comme apprendre à « parler » les structures cristallines. Il en va de même pour les codes génétiques, par exemple.
Cela signifie que les progrès des algorithmes LLM ouvriront probablement une ère d’or de découvertes entièrement nouvelles dans la création de nouveaux matériaux pour les batteries, les matériaux avancés, la génération d’énergie, etc., ainsi que de nouveaux types de protéines et de matériaux ADN/ARN qui pourront être transformés en médicaments, outils de bioproduction, etc.
Dans ce contexte, cela implique que des entreprises comme Meta et ses modèles LLM Lama ne se contentent pas de créer des remplacements technologiques potentiellement rentables pour les outils existants, mais pourraient également devenir une puissance de propriété intellectuelle dans le monde physique.
Dans ce contexte, il convient de rappeler que l’activité technologique initiale d’entreprises comme Meta, ou d’ailleurs Google (GOOGL ) ou Microsoft (MSFT ), n’était qu’une étape avant de les transformer en géants guidés par l’IA et la PI, changeant le monde avec de nombreuses nouvelles technologies, y compris dans les énergies renouvelables et les sciences des matériaux.
Dernières actualités et développements des actions Meta (META)
Étude référencée
1. Joy Datta, Amruth Nadimpally, Nikhil Koratkar, Dibakar Datta. Generative AI for discovering porous oxide materials for next-generation energy storage. Cell Reports Physical Science, Volume 6, Numéro 7, 102665. 16 juillet 2025. https://www.cell.com/cell-reports-physical-science/fulltext/S2666-3864(25)00264-4
