Batteries : l’IA et le big data pour trouver de meilleurs électrolytes

Dans une batterie, l’électrolyte est rarement le composant le plus visible. Pourtant, ce matériau chargé de laisser circuler les ions entre les deux électrodes joue un rôle central dans les performances, la durée de vie et la sûreté de l’ensemble. Pour imaginer des batteries lithium-ion plus efficaces, notamment pour les véhicules électriques, les chercheurs doivent donc trouver des électrolytes capables de réunir des qualités qui se contredisent souvent.

C’est précisément le défi auquel s’attaque une équipe de l’université de Chicago. Dans un article publié dans la revue Chemistry of Materials, Ritesh Kumar, chercheur postdoctoral au laboratoire dirigé par Y. Shirley Meng Amanchukwu, propose un cadre reposant sur les données et l’intelligence artificielle. L’idée n’est pas de laisser un algorithme inventer seul la batterie parfaite, mais de lui demander de trier plus intelligemment les pistes expérimentales.

À partir de données issues de 250 publications scientifiques, les chercheurs ont mis au point un indicateur, l’eScore, qui permet d’évaluer les molécules candidates suivant plusieurs critères à la fois. Cette approche vise à faire gagner un temps précieux à une discipline où la synthèse et le test d’un nouveau matériau peuvent demander beaucoup de travail, d’énergie et de ressources.

L’électrolyte, un composant discret mais décisif

Une batterie lithium-ion comporte deux électrodes, entre lesquelles les ions lithium se déplacent durant la charge et la décharge. L’électrolyte sert de milieu de transport à ces ions. Il doit les laisser circuler suffisamment vite, tout en résistant aux conditions électrochimiques imposées par les électrodes.

Dans les batteries commerciales actuelles, l’électrolyte est souvent liquide. Mais les chercheurs explorent de nombreuses autres formulations et de nouvelles molécules pour répondre aux exigences de batteries plus ambitieuses. Il ne suffit pas qu’un électrolyte transporte les ions : il faut aussi qu’il reste stable lorsqu’il est soumis aux tensions élevées et aux réactions qui se produisent au sein de la cellule.

Un candidat intéressant sur le papier peut donc échouer pour une raison très concrète. Une molécule très conductrice peut se dégrader trop facilement. Une autre, très résistante, peut freiner le passage des ions. C’est cette difficulté d’arbitrage qui rend la découverte de nouveaux électrolytes si complexe.

Trois qualités difficiles à concilier

L’étude de l’équipe de Chicago se concentre sur trois propriétés essentielles. Chacune répond à une contrainte bien distincte, mais elles ne progressent pas nécessairement ensemble.

Le point clé est qu’il ne s’agit pas de chercher la meilleure valeur dans une seule colonne. Un électrolyte très stable n’est pas forcément le plus conducteur, et l’inverse est également vrai. Selon Ritesh Kumar, cette tension entre propriétés est l’un des obstacles majeurs de la conception des électrolytes.

La démarche classique consiste à sélectionner des molécules à partir de l’expérience, à les synthétiser, puis à les tester. Cette méthode reste indispensable, car les résultats expérimentaux permettent de vérifier ce qui se passe réellement dans une batterie. Mais elle devient difficile à appliquer lorsque le nombre de molécules possibles est immense et que les variables à optimiser se multiplient.

Un eScore pour comparer les candidats sans réduire le problème à un seul test

Le cadre proposé par les chercheurs repose sur un eScore, une note qui rassemble les trois critères retenus : conductivité ionique, stabilité oxydative et efficacité coulombique. Plutôt que d’examiner ces mesures isolément, l’outil permet d’identifier des molécules qui présentent un compromis intéressant entre elles.

Cette manière de procéder est importante pour deux raisons. D’abord, elle rend comparables des résultats dispersés dans la littérature scientifique. Ensuite, elle aide les équipes de recherche à établir des priorités : parmi de nombreuses formulations possibles, lesquelles méritent d’être étudiées en laboratoire en premier ?

L’intelligence artificielle intervient ici comme un outil d’analyse et de classement. Elle peut repérer des régularités dans un ensemble de données plus vaste qu’un chercheur ne pourrait explorer manuellement, puis produire des prédictions pour de nouvelles combinaisons de propriétés. Jeffrey Lopez, professeur assistant à l’université Northwestern, souligne l’intérêt de ce type de cadre fondé sur les données pour accélérer le développement de matériaux.

L’équipe a déjà identifié une molécule dont les performances sont comparables à celles des meilleurs électrolytes actuellement disponibles sur le marché. L’étude ne signifie pas pour autant qu’un nouveau matériau est immédiatement prêt à être industrialisé. Elle montre plutôt qu’un modèle construit à partir de résultats publiés peut faire émerger des candidats crédibles dans un vaste ensemble de possibilités.

De 250 publications à une base de données exploitable

Derrière le terme big data se cache un travail particulièrement concret : récupérer, nettoyer et organiser des mesures issues d’articles scientifiques. Pour cette recherche, la collecte des données a commencé manuellement en 2020, avec l’objectif de constituer un ensemble rassemblant des milliers d’électrolytes potentiels.

Le problème est que la littérature scientifique n’est pas toujours facilement exploitable par une machine. De nombreuses informations utiles, notamment des courbes, des graphiques ou des tableaux de résultats, sont insérées sous forme d’images dans les publications. Elles doivent alors être lues et saisies avec soin avant de pouvoir entraîner un modèle.

Cette étape paraît moins spectaculaire que l’algorithme lui-même, mais elle conditionne la qualité des prédictions. Si les mesures sont incomplètes, mal retranscrites ou difficilement comparables parce qu’elles ont été obtenues dans des conditions différentes, le modèle risque de produire des recommandations moins fiables.

Le corpus de 250 publications constitue ainsi un point de départ structuré, et non une photographie exhaustive de tous les électrolytes possibles. La collecte manuelle reste un défi pour les chercheurs, notamment parce que les systèmes d’IA ont encore des difficultés à interpréter de manière fiable certaines données non textuelles présentes dans les articles.

Pourquoi l’IA ne remplace pas l’expérience de laboratoire

L’ambition de la méthode est de diminuer la place des essais et erreurs aveugles, pas de supprimer les expériences. Une prédiction informatique reste une hypothèse à vérifier : une molécule peut sembler prometteuse selon les données disponibles, puis révéler des difficultés au moment de sa synthèse ou de son intégration dans une cellule de batterie.

L’équipe souhaite désormais tester la capacité de son modèle à proposer des molécules qui ne figuraient pas dans son échantillon de formation. C’est une étape déterminante. Les premiers résultats indiquent que les prédictions sont précises lorsque les molécules évaluées ressemblent à celles déjà connues par le modèle. Le défi suivant est donc de savoir si le système peut rester pertinent face à des molécules réellement nouvelles.

Cette distinction est essentielle en science des matériaux. Un algorithme peut être très efficace pour reconnaître des motifs dans une famille chimique déjà bien documentée. Il est plus difficile de lui demander d’extrapoler vers une zone du paysage chimique où les données sont rares ou absentes. La validation expérimentale permet alors de distinguer une corrélation statistique utile d’une découverte qui fonctionne effectivement dans une batterie.

Un espace chimique presque impossible à explorer à la main

La recherche de nouvelles molécules se heurte à l’immensité de l’espace chimique. L’équipe évoque un ordre de grandeur pouvant atteindre 10 puissance 60 molécules. Ce chiffre ne signifie pas que le modèle analyse réellement chacune de ces possibilités. Il illustre plutôt l’ampleur théorique du nombre de composés que l’on peut imaginer en faisant varier les structures moléculaires.

Face à une telle abondance, même l’examen de milliards de candidats ne suffit pas sans méthode de sélection. L’IA peut aider à réduire ce champ immense en identifiant les molécules les plus susceptibles de répondre aux contraintes fixées par les chercheurs. Amanchukwu compare cette logique à la création de playlists musicales : à partir de préférences et de caractéristiques connues, un système peut proposer des options nouvelles qui ont de bonnes chances de correspondre aux attentes.

À terme, si ces méthodes gagnent en maturité, elles pourraient aller au-delà du classement de molécules existantes. Elles pourraient aussi suggérer de nouvelles structures adaptées à un cahier des charges précis. Entre cette perspective et une batterie commercialisable, il reste néanmoins plusieurs étapes : synthèse, caractérisation, tests électrochimiques et validation dans des conditions pertinentes.

Une méthode qui intéresse bien au-delà des batteries

L’usage de modèles de données pour orienter la recherche n’est pas propre aux électrolytes. Des outils d’intelligence artificielle sont déjà utilisés pour explorer des traitements contre le cancer, des thérapies immunologiques et d’autres technologies émergentes. Dans chacun de ces domaines, la promesse est semblable : repérer plus vite les hypothèses qui valent la peine d’être testées.

Les batteries constituent toutefois un terrain particulièrement intéressant, car elles combinent des impératifs de performances, de durabilité et de fabrication. Un meilleur électrolyte peut contribuer à des batteries plus robustes, avec une capacité de charge accrue, une durée de vie prolongée ou des temps de charge réduits. Mais les gains réels dépendent toujours de l’équilibre entre tous les composants de la cellule, pas du seul électrolyte.

La force du travail mené à Chicago est de rendre ce compromis plus explicite. En réunissant plusieurs critères dans un même cadre, l’eScore évite de présenter une amélioration isolée comme une solution complète. C’est une approche particulièrement utile dans un domaine où chaque progrès peut créer une nouvelle contrainte ailleurs.

Ce qu’il faut surveiller

La prochaine question sera celle de la généralisation. Le modèle peut-il reconnaître des électrolytes prometteurs parmi des molécules suffisamment éloignées des données déjà connues ? Les candidats proposés seront-ils confirmés par les expériences ? Et la base de données pourra-t-elle être élargie et enrichie sans perdre en qualité ?

Les réponses dépendront autant de la chimie que de l’IA. Les modèles ont besoin de données fiables, comparables et suffisamment diverses. Les laboratoires, eux, restent nécessaires pour transformer une prédiction en résultat mesuré. L’intérêt de cette approche est donc moins de promettre une découverte automatique que d’organiser la recherche de façon plus rationnelle.

Pour les batteries de nouvelle génération, cette coopération entre données, algorithmes et expérimentations pourrait devenir un atout majeur. Elle offre une manière de naviguer dans un espace chimique immense, en consacrant les ressources de laboratoire aux pistes les plus solides plutôt qu’à une exploration largement aveugle.