Un processus basé sur l’IA dévoile les clés chimiques des avancées dans le domaine de l’énergie solaire
par Liz Ahlberg Touchstone pour UI Information
Chicago IL (SPX) 01 septembre 2024
L’intelligence artificielle est devenue un outil de recherche révolutionnaire, mais son incapacité à expliquer son processus de prise de décision – souvent appelé la « boîte noire de l’IA » – pose un défi de taille. Cependant, une équipe de recherche interdisciplinaire de l’Université de l’Illinois à Urbana-Champaign s’est attaquée à ce problème en intégrant l’IA à la synthèse chimique automatisée et à la validation expérimentale. Leurs efforts ont permis de découvrir les principes chimiques que l’IA a utilisés pour améliorer les molécules conçues pour la récolte d’énergie solaire.
L’approche de l’équipe a permis de créer des molécules captant la lumière qui sont quatre fois plus stables que les variations originales. De plus, la recherche a permis d’obtenir de nouvelles connaissances sur les facteurs chimiques qui contribuent à cette stabilité, répondant ainsi à un défi de longue date dans le développement des matériaux.
Cette recherche révolutionnaire est le fruit d’un effort collaboratif mené par Martin Burke, professeur de chimie à l’Université de l’Illinois, Ying Diao, professeure de génie chimique et biomoléculaire, Nicholas Jackson, professeur de chimie, et Charles Schroeder, professeur de science et de génie des matériaux, aux côtés d’Alan Aspuru-Guzik, professeur de chimie à l’Université de Toronto. Les résultats ont été publiés dans la revue Nature.
« Les nouveaux outils d’IA ont une puissance incroyable. Mais si vous essayez d’ouvrir le capot et de comprendre ce qu’ils font, vous n’obtenez généralement rien d’utile », a déclaré Jackson. « Pour la chimie, cela peut être très frustrant. L’IA peut nous aider à optimiser une molécule, mais elle ne peut pas nous dire pourquoi c’est l’optimum – quelles sont les propriétés, les constructions et les fonctions importantes ? Grâce à notre processus, nous avons identifié ce qui confère à ces molécules une plus grande photostabilité. Nous avons transformé la boîte noire de l’IA en un globe de verre clear. »
La recherche a été motivée par la nécessité d’améliorer les cellules solaires organiques, qui utilisent des matériaux flexibles et légers, par opposition aux panneaux traditionnels rigides et lourds à base de silicium.
« Ce qui freine la commercialisation du photovoltaïque organique, ce sont les problèmes de stabilité. Les matériaux à haute efficiency se dégradent lorsqu’ils sont exposés à la lumière, ce qui n’est pas ce que l’on souhaite dans une cellule solaire », explique Diao. « Ils peuvent être fabriqués et installés d’une manière qui n’est pas attainable avec le silicium et peuvent également convertir la chaleur et la lumière infrarouge en énergie, mais la stabilité pose problème depuis les années 1980. »
La méthode développée par l’équipe de l’Illinois, connue sous le nom de « transfert en boucle fermée », begin par un protocole d’optimisation guidé par l’IA appelé expérimentation en boucle fermée. L’IA a été chargée d’améliorer la photostabilité des molécules captant la lumière. À chaque cycle de synthèse en boucle fermée et de caractérisation expérimentale, l’IA a fourni de nouveaux candidats chimiques à explorer. Les données de ces expériences ont été réinjectées dans le modèle, affinant les strategies de l’IA jusqu’à ce que le résultat souhaité soit atteint.
Au cours de cinq cycles d’expérimentation en boucle fermée, l’équipe a produit 30 nouveaux candidats chimiques, en utilisant une chimie de sort blocs de building et des méthodes de synthèse automatisées développées par le groupe de Burke au Molecule Maker Lab, situé au sein de l’Institut Beckman pour la science et la technologie avancées de l’Université de l’Illinois.
« L’approche de la chimie modulaire complète parfaitement l’expérience en boucle fermée. L’algorithme d’IA demande de nouvelles données avec un potentiel d’apprentissage maximisé, et la plateforme de synthèse automatisée de molécules peut générer les nouveaux composés requis très rapidement. Ces composés sont ensuite testés, les données sont réinjectées dans le modèle, et le modèle devient de plus en plus clever », a déclaré Burke, qui est également professeur au Carle Illinois School of Medication. « Jusqu’à présent, nous nous sommes principalement concentrés sur la construction. Notre synthèse modulaire automatisée est désormais passée au domaine de l’exploration de la fonction. »
Au lieu de simplement identifier les produits finaux comme dans une campagne typique menée par l’IA, le processus de transfert en boucle fermée a également cherché à révéler les règles sous-jacentes qui ont contribué à l’amélioration de la stabilité des nouvelles molécules.
Au fur et à mesure que l’expérience en boucle fermée se déroulait, un autre ensemble d’algorithmes analysait en continu les molécules générées, développant des modèles permettant de prédire les caractéristiques chimiques associées à la stabilité à la lumière. Une fois l’expérience terminée, ces modèles ont fourni de nouvelles hypothèses testables en laboratoire.
« Nous utilisons l’IA pour générer des hypothèses que nous pouvons valider pour ensuite lancer de nouvelles campagnes de découverte menées par l’homme », a déclaré Jackson. « Maintenant que nous disposons de certains descripteurs physiques de ce qui rend les molécules photostables, cela rend le processus de sélection de nouveaux candidats chimiques considérablement plus easy que la recherche aveugle dans l’espace chimique. »
Pour valider leur hypothèse sur la photostabilité, les chercheurs ont testé trois molécules différentes de collecte de lumière avec la propriété chimique identifiée – une région spécifique à haute énergie – et ont confirmé que la sélection des solvants appropriés pourrait améliorer leur stabilité à la lumière jusqu’à quatre fois.
« C’est une preuve de principe de ce qui peut être fait. Nous sommes convaincus que nous pouvons aborder d’autres systèmes matériels, et les possibilités ne sont limitées que par notre creativeness. À terme, nous envisageons une interface dans laquelle les chercheurs pourraient saisir une fonction chimique de leur choix et l’IA générerait des hypothèses à tester », a déclaré Schroeder. « Ce travail n’a pu être réalisé qu’avec une équipe multidisciplinaire, les personnes, les ressources et les installations dont nous disposons à l’Illinois, et notre collaborateur à Toronto. Cinq groupes se sont réunis pour générer de nouvelles connaissances scientifiques qui n’auraient pas été possibles si l’une des sous-équipes avait travaillé de manière isolée. »
Rapport de recherche :Le transfert en boucle fermée permet à l’IA de produire des connaissances chimiques
Liens connexes
Sciences et ingénierie des matériaux à l’IllinoisU
Tout sur l’énergie solaire sur SolarDaily.com
