L'apprentissage automatique prédit les capacités thermiques des MOFs

"Nos recherches montrent comment l'intelligence artificielle (IA) peut accélérer la résolution de problèmes à plusieurs échelles"

18.10.2022 - Suisse

Les cadres métallo-organiques (MOF) sont une catégorie de matériaux qui contiennent des pores de taille nanométrique. Ces pores confèrent aux MOF des surfaces internes record, ce qui les rend extrêmement polyvalents pour un certain nombre d'applications : séparer les produits pétrochimiques et les gaz, imiter l'ADN, produire de l'hydrogène et éliminer les métaux lourds, les anions fluorure et même l'or de l'eau, pour ne citer que quelques exemples.

Les MOF sont au centre des recherches du professeur Berend Smit à la Faculté des sciences de base de l'EPFL, où son groupe utilise l'apprentissage automatique pour réaliser des percées dans la découverte, la conception et même la catégorisation des MOF, toujours plus nombreux, qui inondent actuellement les bases de données chimiques.

Dans une nouvelle étude, Smit et ses collègues ont mis au point un modèle d'apprentissage automatique qui prédit la capacité thermique des MOF. "Il s'agit de thermodynamique très classique", explique Smit. "Quelle quantité d'énergie est nécessaire pour chauffer un matériau d'un degré ? Jusqu'à présent, tous les calculs d'ingénierie partaient du principe que tous les MOF avaient la même capacité thermique, pour la simple raison qu'il n'y a pratiquement aucune donnée disponible." Seyed Mohamad Moosavi, un postdoc du groupe de Smit, ajoute : "S'il n'y a pas de données, comment peut-on faire un modèle d'apprentissage automatique ? Cela semble impossible !"

La réponse est l'aspect le plus innovant du travail : un modèle d'apprentissage automatique qui prédit comment l'environnement chimique local modifie les vibrations de chaque atome dans une molécule de MOF. "Ces vibrations peuvent être liées à la capacité thermique", explique Smit. "Auparavant, un calcul quantique très coûteux nous donnait une seule capacité thermique pour un seul matériau, mais maintenant nous obtenons jusqu'à 200 points de données sur ces vibrations. Ainsi, en effectuant 200 calculs coûteux, nous disposions de 40 000 points de données pour entraîner le modèle sur la façon dont ces vibrations dépendent de leur environnement chimique."

Les chercheurs ont ensuite testé leur modèle par rapport à des données expérimentales, à titre de vérification dans la réalité. "Les résultats étaient étonnamment médiocres", explique M. Smit, "jusqu'à ce que nous réalisions que ces expériences avaient été réalisées avec des MOF dont les pores contenaient un solvant. Nous avons donc resynthétisé certains MOF en éliminant soigneusement le solvant de synthèse - nous avons mesuré leur capacité thermique - et les résultats étaient en très bon accord avec les prédictions de notre modèle !".

"Notre recherche montre comment l'intelligence artificielle (IA) peut accélérer la résolution de problèmes à plusieurs échelles, explique Moosavi. L'IA nous donne les moyens de penser à nos problèmes d'une nouvelle manière et même parfois de les résoudre."

Pour démontrer l'impact de ces travaux dans le monde réel, les ingénieurs de l'université Heriot-Watt ont simulé les performances des MOF dans une usine de capture du carbone. "Nous avons utilisé des simulations moléculaires quantiques, l'apprentissage automatique et le génie chimique dans les simulations de processus", explique Smit. "Les résultats ont montré qu'avec des valeurs correctes de capacité thermique des MOF, le coût énergétique global du processus de capture du carbone peut être beaucoup plus faible que ce que nous avions initialement supposé. Notre travail est un véritable effort à plusieurs échelles, avec un impact énorme sur la viabilité technico-économique des solutions actuellement envisagées pour lutter contre le changement climatique."

Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.