Batteries : l’IA accélère la recherche d’additifs pour les électrolytes

Les progrès des batteries ne passent pas uniquement par la découverte de nouveaux matériaux d’électrodes. Ils se jouent aussi dans le liquide qui permet aux ions de circuler entre elles, l’électrolyte. Le 28 août 2025, le laboratoire national Argonne, aux États-Unis, a présenté une méthode s’appuyant sur l’apprentissage automatique pour trouver plus vite des combinaisons d’additifs adaptées à des batteries lithium-ion particulièrement exigeantes.

L’objectif est très concret : éviter de tester à l’aveugle une immense quantité de molécules et de mélanges. À partir de résultats déjà obtenus sur 28 additifs, les chercheurs ont entraîné des modèles capables d’anticiper l’effet de 125 nouvelles combinaisons. Selon l’équipe, cette étape de sélection pourrait économiser près de quatre à six mois d’expérimentations. Une accélération importante dans un domaine où chaque formulation doit ensuite être vérifiée en conditions réelles.

Pourquoi l’électrolyte est décisif dans une batterie

Dans une batterie lithium-ion, l’électrolyte est le milieu qui transporte les ions lithium pendant la charge et la décharge. Il ne produit pas à lui seul l’énergie stockée, mais son comportement conditionne la sécurité, la durée de vie et une partie des performances de l’ensemble. Si ce milieu devient instable, des réactions indésirables peuvent se produire à la surface des électrodes. La batterie perd alors progressivement de sa capacité et sa résistance interne peut augmenter.

Les fabricants ajoutent donc de faibles quantités de composés spécifiques à l’électrolyte. Ces substances sont appelées additifs électrolytiques. Leur rôle n’est pas forcément d’empêcher toute réaction chimique. Dans certains cas, un bon additif doit au contraire se décomposer de façon contrôlée durant les premiers cycles de charge. Il contribue alors à former une fine couche protectrice, appelée interface électrochimique, sur les matériaux actifs.

Cette couche doit remplir deux missions qui peuvent sembler contradictoires : protéger les surfaces des réactions de dégradation tout en laissant les ions circuler avec le moins d’obstacles possible. Une interface trop résistante pénalise la puissance et l’énergie réellement disponible. Une interface insuffisamment protectrice accélère l’usure. C’est cet équilibre délicat que les chercheurs cherchent à améliorer.

Les batteries LNMO posent un défi de haute tension

Les travaux d’Argonne portent sur des batteries utilisant le matériau LiNi0.5Mn1.5O4, souvent abrégé en LNMO. Ce composé à base de lithium, de nickel, de manganèse et d’oxygène est envisagé pour des batteries lithium-ion à haute tension. Il a notamment l’intérêt de ne pas contenir de cobalt, un métal dont l’approvisionnement constitue un enjeu industriel et géopolitique pour la filière batterie.

Mais ce matériau impose une contrainte majeure : la batterie peut atteindre 5 volts, soit une tension supérieure à celle de nombreuses batteries lithium-ion courantes. À ce niveau, l’électrolyte et les interfaces entre matériaux sont davantage exposés à la décomposition. Autrement dit, le gain potentiel apporté par une architecture à haute tension peut être annulé si les réactions chimiques parasites dégradent trop rapidement la cellule.

Le défi n’est donc pas seulement de choisir un additif qui fonctionne isolément. Il faut trouver des associations capables de créer une interface stable dans un environnement électrochimique très énergisé. La combinatoire rend rapidement la recherche difficile : avec plusieurs familles de molécules possibles, le nombre de mélanges à tester grimpe vite, alors que chaque essai demande des matériaux, des cellules, du temps de cyclage et des analyses.

Comment l’apprentissage automatique sélectionne les bons mélanges

L’équipe a adopté une approche fondée sur les données plutôt qu’une succession d’essais menée uniquement au laboratoire. Les modèles d’apprentissage automatique ont été nourris avec des informations décrivant la structure chimique des additifs et les performances observées dans les batteries. Ils peuvent ainsi rechercher des relations entre certaines caractéristiques moléculaires et les résultats électrochimiques obtenus.

La méthode ne consiste pas à demander à une IA de « deviner » une formule parfaite. Elle repose sur un apprentissage à partir de mesures connues. Le modèle établit une carte statistique entre les propriétés des molécules étudiées et leur effet attendu dans la cellule. Il peut ensuite classer de nouvelles associations selon leur potentiel, afin d’orienter le travail expérimental vers les candidatures les plus intéressantes.

Dans cette étude, les données concernant 28 additifs différents ont servi de point de départ. L’équipe a ensuite prédit l’effet de 125 combinaisons d’additifs qui n’avaient pas toutes à être explorées une à une avant cette phase de sélection. D’après les chercheurs, la démarche permettrait d’éviter une campagne d’essais représentant environ quatre à six mois de travail expérimental coûteux.

Il faut toutefois distinguer prédiction et démonstration. Un modèle peut accélérer le tri des hypothèses, mais une formulation recommandée doit toujours être préparée, intégrée à une cellule et soumise à des cycles de charge et de décharge. L’IA réduit l’espace de recherche, elle ne supprime pas la nécessité de la validation en laboratoire.

Du tâtonnement chimique à un criblage guidé par les données

La recherche classique sur les électrolytes repose largement sur l’expertise des chimistes et sur des essais successifs. Cette méthode reste indispensable, notamment pour comprendre les mécanismes à l’œuvre. Mais elle se heurte à une limite simple : les possibilités sont trop nombreuses pour être toutes explorées dans des délais raisonnables.

Un modèle d’apprentissage automatique apporte un avantage de priorisation. Il permet de demander non pas « quel mélange faut-il fabriquer parmi tous ceux qui sont imaginables ? », mais « parmi les mélanges encore inconnus, lesquels méritent le plus d’être testés en premier ? ». Ce changement de méthode est particulièrement utile lorsque les chercheurs disposent déjà d’un jeu de données expérimental suffisamment structuré.

Les résultats préliminaires rapportés par Argonne indiquent que les nouvelles combinaisons étudiées peuvent dépasser les formulations précédentes en matière de performance et d’efficacité. L’enjeu économique est également central. Les procédés de fabrication des batteries sont déjà bien établis, mais les programmes de recherche restent longs et onéreux. Réduire le nombre d’impasses expérimentales peut donc aider à raccourcir le chemin entre une idée de formulation et son évaluation pratique.

Des interfaces plus stables pour préserver capacité et durée de vie

L’interface formée au début de la vie d’une batterie est un point critique. Lorsqu’un additif se décompose de manière maîtrisée pendant les premiers cycles, il peut créer une structure qui protège l’électrode. Cette protection limite les réactions de dégradation ultérieures, tout en réduisant la résistance au passage des ions. Le résultat recherché est une meilleure conservation de la capacité énergétique au fil des cycles.

Dans le cas des cellules LNMO, cette fonction protectrice est encore plus importante à cause de la haute tension. Sans électrolyte suffisamment stable, la chimie interne peut se dégrader plus vite. La recherche d’additifs vise donc autant à préserver les matériaux qu’à maintenir un fonctionnement efficace de la cellule.

Cette logique explique pourquoi il est difficile d’annoncer un additif universel. Une molécule qui améliore une batterie donnée peut se révéler moins pertinente dans une autre, dotée d’une chimie d’électrode, d’un électrolyte de base ou de conditions de fonctionnement différents. Les modèles développés doivent donc être entraînés et évalués dans le contexte précis du système de batterie visé.

Une piste pour des batteries moins dépendantes du cobalt

Les batteries LNMO intéressent aussi parce qu’elles s’appuient sur un matériau sans cobalt. La diminution de la dépendance à certains matériaux critiques est l’un des axes de recherche de la filière, aux côtés de la densité énergétique, de la sécurité, du coût et de la longévité. Une cathode prometteuse ne suffit cependant pas : elle doit être associée à un électrolyte et à des interfaces capables de supporter ses contraintes de fonctionnement.

C’est ici que la méthode d’Argonne peut prendre toute son importance. En accélérant la recherche autour des additifs, elle pourrait faciliter l’exploration de systèmes de batteries qui étaient jusqu’ici freinés par une instabilité chimique ou par l’ampleur des tests à effectuer. Les chercheurs envisagent d’appliquer cette méthodologie à d’autres systèmes de batteries, au-delà du seul LNMO.

L’intérêt dépasse donc la performance d’une formulation particulière. Il concerne une manière plus générale de concevoir les matériaux : associer expertise électrochimique, données expérimentales et outils de prédiction pour mieux cibler les essais. Les programmes fédéraux qui financent ce type de recherche cherchent précisément à réduire le temps et le coût nécessaires pour faire progresser le stockage de l’énergie.

Ce qu’il faut surveiller avant un passage à l’échelle

Cette avancée ne signifie pas que des batteries LNMO optimisées par IA sont immédiatement prêtes à équiper des véhicules ou des appareils électroniques. Entre une combinaison prometteuse en laboratoire et un produit fabriqué à grande échelle, plusieurs étapes restent nécessaires : confirmation des résultats, tests de cyclage prolongés, évaluation de la sécurité, reproductibilité de la formulation et compatibilité avec les procédés industriels.

Il faudra aussi observer la capacité des modèles à être transposés. Une méthode entraînée sur un ensemble limité d’additifs est très utile pour ce périmètre, mais ses prédictions doivent rester fiables lorsque l’on change de chimie, de matériau d’électrode ou de conditions d’utilisation. La qualité, la diversité et la traçabilité des données expérimentales seront donc déterminantes.

La leçon principale de ces travaux est néanmoins claire : dans la course aux meilleures batteries, l’intelligence artificielle peut devenir un instrument de recherche particulièrement concret. En concentrant les essais sur les pistes les plus crédibles, elle promet de faire gagner du temps aux laboratoires sans court-circuiter l’étape essentielle de la preuve expérimentale.