L’Actu de l’innovation

Comment le machine learning peut aider à la création d’électrolytes plus performants ?

Posté le 7 janvier 2020
par Arnaud Moign
dans Chimie et Biotech

Utiliser une molécule pour stocker de l’énergie suppose de connaître parfaitement ses propriétés. Des chercheurs américains utilisent le Machine Learning pour tenter de prédire quels sont les électrolytes potentiellement intéressants pour améliorer les batteries Li-Ion.

La chimie quantique est un domaine dérivé de la chimie théorique qui utilise les résultats de la mécanique quantique pour étudier les propriétés et les mécanismes des systèmes moléculaires. Sans rentrer dans les détails, on peut dire que la chimie quantique s’intéresse essentiellement aux :

Résolution numérique d’équations quantiques

Les équations de la chimie quantique étant extrêmement complexes, elles ne peuvent être résolues de manière exacte. Néanmoins, une résolution numérique approchée peut être obtenue à l’aide de supercalculateurs et de modèles théoriques. C’est donc ce principe qu’a appliqué l’équipe de chercheurs du Department of Energy’s (DOE) Argonne National Laboratory.

Comme expliqué dans deux publications récentes, pour MRS Communications et le journal Chemical Science, ils ont ainsi utilisé une méthode de calcul appelée G4MP2, dont la précision est supérieure à 1 kcal.mol-1. Cependant, même avec des modèles numériques, il est actuellement impossible (pour des raisons de coût et de temps) de résoudre avec précision de telles équations pour les quelque 166 milliards de molécules organiques potentiellement utilisables en tant qu’électrolytes.

Le machine Learning comme solution

La méthode G4MP2 a donc été appliquée aux presque 134 000 molécules de la base de données GDB-9 qui contient l’ensemble des molécules organiques comprenant jusqu’à neuf atomes (parmi C, N, O, F, H). Grâce au machine learning, les chercheurs ont pu analyser comment les atomes de ces grosses molécules interagissent et se lient. Une comparaison avec des molécules connues leur a ainsi permis de détecter des similarités au niveau énergétique.

L’application du machine learning à la recherche fondamentale n’en est qu’à ses débuts : le calcul de ces propriétés énergétiques servira ainsi de base à de futures recherches.

Source : d’après l’article de Jared Sagoff et les travaux de l’Argonne National Laboratory (USA)

Image de Une : Shutterstock / Cherezoff.


Pour aller plus loin