Microsoft AI et le Pacific Northwest National Laboratory (PNNL) ont découvert un nouvel électrolyte solide qui pourrait réduire considérablement la consommation de lithium dans les batteries, jusqu'à 70%.
Ce matériau révolutionnaire, officieusement appelé N2116, offre une solution aux problèmes environnementaux liés à l'extraction du lithium.
Le lithium, principal composant de nombreuses technologies de batteries, devrait connaître des pénuries en raison de l'augmentation de la demande. dès 2025La demande devrait être multipliée par dix d'ici à 2030. L'extraction du lithium a également une vaste empreinte environnementale, nécessitant beaucoup d'eau et d'énergie.
Le processus de bout en bout, du concept au prototype de batterie fonctionnel, a pris moins de neuf mois, alors qu'ils estiment que cela aurait pris traditionnellement une vingtaine d'années.
Les superordinateurs de Microsoft ont accéléré le processus en passant au crible 32 millions de matériaux inorganiques potentiels et en les réduisant à 18 candidats en moins d'une semaine. Cela fait suite à un percée similaire de Google DeepMindqui a créé un laboratoire de recherche autonome qui a découvert quelque 2 millions de nouveaux matériaux.
Jason Zander, vice-président exécutif de Microsoft, a décrit le rôle de l'IA en déclarant à la BBCJe pense que c'est de cette manière que ce type de science sera réalisé à l'avenir.
Le nouvel électrolyte à l'état solide, N2116, représente une alternative plus durable et plus sûre aux piles au lithium traditionnelles de type liquide ou gel.
Les batteries à semi-conducteurs promettent une charge plus rapide et une plus grande densité énergétique avec des cycles de charge prolongés. En incluant du sodium, un élément plus abondant et moins cher que le lithium, le N2116 réduit les besoins en lithium tout en maintenant un stockage et un transfert d'énergie efficaces.
Karl Mueller, du PNNL, a souligné le rôle de l'IA dans cette découverte : "[Nous avons pu] modifier, tester et ajuster la composition chimique de ce nouveau matériau et évaluer rapidement sa viabilité technique pour une batterie fonctionnelle, ce qui montre la promesse de l'IA avancée d'accélérer le cycle de l'innovation".
Exploiter l'IA pour la découverte de matériaux
Microsoft et le laboratoire national du nord-ouest du Pacifique (PNNL) recherche a consisté à combiner l'IA avec le calcul à haute performance (HPC).
Voici comment s'est déroulée cette procédure :
- Identification des matériaux potentiels: L'équipe de Microsoft Quantum a utilisé l'IA pour analyser une vaste base de données de matériaux inorganiques. À partir de cette base, ils ont identifié environ 500 000 matériaux stables en quelques jours seulement.
- Réduire le nombre de candidats: En utilisant Azure Quantum Elements de Microsoft, l'équipe a affiné sa recherche à partir de ces 500 000 matériaux pour obtenir 18 candidats prometteurs pour le développement de batteries. Ce processus a été achevé en seulement 80 heures, ce qui démontre la vitesse remarquable à laquelle l'IA peut opérer.
- Combiner l'IA et le calcul intensif Les outils d'IA ont été formés pour évaluer divers éléments chimiques et leurs combinaisons. Ils ont proposé un vaste ensemble de 32 millions de candidats, qui ont ensuite été filtrés par différents outils d'IA en fonction de leur stabilité, de leur réactivité et de leur potentiel de conduction d'énergie.
- HPC pour la vérification: La phase suivante a consisté à utiliser le HPC pour une vérification plus approfondie. Il s'agissait notamment d'utiliser la théorie de la fonctionnelle de la densité pour calculer l'énergie de chaque matériau et des simulations de dynamique moléculaire pour analyser les mouvements des atomes et des molécules au sein des matériaux.
- Sélection finale des candidats: Après ce processus de calcul intensif, la liste a été réduite à 150 candidats. Une évaluation plus poussée des aspects pratiques tels que la disponibilité et le coût a permis de réduire ce nombre à 23, dont cinq étaient déjà connus.
- Développement de prototypes: L'étape finale a consisté pour les scientifiques du PNNL à synthétiser le matériau choisi et à le transformer en un prototype de batterie fonctionnel. Cette étape est cruciale pour tester la fonctionnalité et la viabilité du matériau.
La capacité de l'IA à travailler avec de grandes quantités de données complexes et à synthétiser de nouvelles connaissances à partir de la base s'est révélée extrêmement efficace.
Par exemple, outre les matériaux, l'IA accélère également la découverte de nouvelles molécules importantes sur le plan thérapeutique pour le traitement des maladies infectieuses. développement d'antibiotiques et de médicaments.
