L'IA dotée de connaissances en physique pourrait accélérer la découverte de matériaux de stockage de l'hydrogène
infohightech ·
L'hydrogène pourrait contribuer au stockage des énergies renouvelables et à l'alimentation des piles à combustible, mais son stockage demeure complexe en raison de sa faible densité à l'état gazeux dans des conditions normales. Sa compression à haute pression ou sa liquéfaction nécessitent une énergie considérable et des équipements spécialisés.
Les matériaux solides absorbant ou adsorbant l'hydrogène offrent une alternative, mais la mise au point de matériaux capables de stocker suffisamment d'hydrogène, de le libérer dans des conditions optimales, de fonctionner rapidement et de résister à une utilisation répétée reste un défi de taille.
« Dans ce domaine, une découverte fiable guidée par l'IA ne peut pas provenir uniquement de prédictions plus rapides », a déclaré Seong-Hoon Jang, professeur associé à l'université de Tohoku.
« Cela nécessite des contraintes physiques, des données transparentes et un retour d'information continu issu d'expériences réelles, intégrés au processus dès le départ. »
L'intelligence artificielle peut explorer un grand nombre de matériaux candidats, mais une prédiction rapide n'est pas forcément fiable. Les données relatives au stockage de l'hydrogène sont dispersées dans des bases de données informatiques et des articles scientifiques, et des détails importants concernant la préparation des échantillons, les conditions de mesure, l'incertitude et les expériences infructueuses font souvent défaut.
Les modèles entraînés sur des données incomplètes peuvent recommander des matériaux physiquement irréalistes, difficiles à synthétiser ou inadaptés aux conditions d'utilisation pratiques.
Cadre de découverte en boucle fermée. (a) Les étapes de prédiction, de synthèse, de mesure et d'amélioration du modèle sont répétées ; (b) une planification intelligente sélectionne le candidat suivant en tenant compte de l'incertitude ; et (c) un jumeau numérique synchronise les informations de calcul et expérimentales. Crédit : Seong-Hoon Jang et al.
Une équipe internationale dirigée par l'Université de Tohoku a élaboré une feuille de route visant à rendre la recherche sur le stockage de l'hydrogène guidée par l'IA plus fiable et plus utile.
S'appuyant sur des discussions entre 69 chercheurs couvrant les matériaux de stockage d'hydrogène, l'IA, les sciences informatiques et les laboratoires de conduite autonome, l'équipe propose un écosystème sensible à la physique reliant quatre éléments : des données sensibles à la reproductibilité, des modèles contraints par la thermodynamique et la cinétique, une conception inverse pilotée par l'IA et une validation expérimentale.
Dans ce cadre, la cohérence physique, l'incertitude, la provenance des données et le retour d'information expérimental sont intégrés à chaque étape, au lieu d'être vérifiés uniquement après qu'une IA a proposé un candidat.
Cet article de synthèse est publié dans la revue ACS Energy Letters .
Ce cadre transforme la découverte de matériaux en un cycle d'apprentissage. L'IA propose des candidats, des systèmes automatisés les synthétisent et les mesurent , et les résultats sont réintégrés à la base de données et au modèle afin d'orienter la décision suivante.
Les auteurs décrivent également un concept à plus long terme qu'ils appellent « jumeau numérique », une représentation virtuelle synchronisée avec les expériences réelles. Cela pourrait aider les chercheurs à détecter les erreurs de modélisation ou la dégradation des matériaux et à choisir la prochaine expérience où l'incertitude sera la plus efficacement réduite.
L'équipe cite la plateforme numérique de l'hydrogène (DigHyd), qui organise plus de 30 000 entrées thermodynamiques provenant de plus de 4 000 publications, comme exemple de la base de données nécessaire à cette approche.
Ce travail propose une perspective plutôt qu'un rapport sur un nouveau matériau de stockage. Il identifie les changements systémiques nécessaires pour faire évoluer la recherche, passant d'une approche empirique à une recherche reproductible, adaptative et capable d'apprentissage continu. La validation expérimentale et l'expertise restent essentielles, notamment parce que les candidats générés par l'IA pourraient ne pas être synthétisables.
« Le facteur limitant n'a pas été un manque de puissance de calcul », a ajouté Jang.
« Les données sont fragmentées, le contexte expérimental incomplet, la cohérence physique est faible et le retour d’information entre les prédictions et les expériences est insuffisant. Remédier à ces problèmes pourrait accélérer et fiabiliser la recherche de solutions de stockage d’hydrogène plus sûres, plus compactes et plus pratiques, et ainsi soutenir les futurs systèmes d’énergie propre. »
Les prochaines étapes du projet comprennent la normalisation de la manière dont les données de stockage d'hydrogène et les conditions expérimentales sont enregistrées, l'élargissement des informations sur la cinétique, le cyclage et la dégradation, et la connexion des modèles basés sur la physique avec les outils de conception d'IA.
L'université de Tohoku intègre également ces outils avec des systèmes de synthèse et de mesure automatisés et développe des flux de travail expérimentaux autonomes dans le cadre du programme JST GteX (JPMJGX23H1).