L'apprentissage automatique pour trouver des compositions prometteuses pour les batteries sodium-ion
Des chercheurs optimisent la composition d'un oxyde de métal de transition multiélémentaire pour obtenir une densité énergétique exceptionnelle dans les batteries sodium-ion
Les batteries sodium-ion (Na-ion), qui utilisent des ions sodium comme vecteurs d'énergie, constituent une alternative prometteuse aux piles à lithium-ion en raison de l'abondance du sodium, de leur plus grande sécurité et de leur coût potentiellement plus faible. En particulier, les oxydes stratifiés de métaux de transition contenant du sodium (NaMeO2) sont des matériaux puissants pour l'électrode positive des batteries Na-ion, offrant une densité et une capacité énergétiques exceptionnelles. Cependant, pour les oxydes stratifiés multi-éléments composés de plusieurs métaux de transition, le nombre même de combinaisons possibles rend la recherche de la composition optimale à la fois complexe et fastidieuse. Même des changements mineurs dans la sélection et la proportion des métaux de transition peuvent entraîner des modifications marquées de la morphologie des cristaux et affecter les performances des batteries.
Dans une étude récente, une équipe de recherche dirigée par le professeur Shinichi Komaba, avec Mme Saaya Sekine et le Dr Tomooki Hosaka de l'université des sciences de Tokyo (TUS), au Japon, et de l'université technologique de Chalmers, ainsi que le professeur Masanobu Nakayama de l'institut technologique de Nagoya, a utilisé l'apprentissage automatique pour rationaliser la recherche de compositions prometteuses. Les résultats de leur étude ont été reçus le 5 septembre 2024 avec des épreuves non corrigées et publiés en ligne dans le Journal of Materials Chemistry A le 6 novembre 2024, après relecture. Cette étude de recherche est soutenue par les agences de financement JST-CREST, DX-GEM et JST-GteX.
L'équipe a cherché à automatiser le criblage des compositions élémentaires dans divers matériaux de type NaMeO2 O3. À cette fin, elle a d'abord rassemblé une base de données de 100 échantillons de demi-cellules de sodium de type O3 avec 68 compositions différentes, recueillies sur une période de 11 ans par le groupe de Komaba. "La base de données comprenait la composition des échantillons de NaMeO2, Me étant un métal de transition comme Mn, Ti, Zn, Ni, Zn, Fe et Sn, entre autres, ainsi que les limites supérieures et inférieures de tension des tests de charge-décharge, la capacité de décharge initiale, la tension de décharge moyenne et la conservation de la capacité après 20 cycles", explique M. Komaba.
Les chercheurs ont ensuite utilisé cette base de données pour former un modèle intégrant plusieurs algorithmes d'apprentissage automatique, ainsi que l'optimisation bayésienne, afin d'effectuer une recherche efficace. L'objectif de ce modèle était d'apprendre comment les propriétés telles que la tension de fonctionnement, la rétention de la capacité (durée de vie) et la densité énergétique sont liées à la composition des oxydes stratifiés NaMeO2, et de prédire le ratio optimal des éléments nécessaires pour atteindre un équilibre souhaité entre ces propriétés.
Après avoir analysé les résultats, l'équipe a constaté que le modèle prédisait que Na[Mn0,36Ni0,44Ti0,15Fe0,05]O2 était la composition optimale pour obtenir la densité d'énergie la plus élevée, qui est l'une des caractéristiques les plus importantes des matériaux d'électrodes. Pour vérifier l'exactitude des prédictions du modèle, ils ont synthétisé des échantillons de cette composition et ont assemblé des piles à monnaie standard pour effectuer des tests de charge-décharge.
Les valeurs mesurées étaient, pour la plupart, cohérentes avec les valeurs prédites, ce qui souligne la précision du modèle et son potentiel pour l'exploration de nouveaux matériaux de batterie. "L'approche établie dans notre étude offre une méthode efficace pour identifier les compositions prometteuses à partir d'un large éventail de candidats potentiels", remarque M. Komaba. "De plus, cette méthodologie peut être étendue à des systèmes de matériaux plus complexes, tels que les oxydes de métaux de transition quinaires."
L'utilisation de l'apprentissage automatique pour identifier les pistes de recherche prometteuses est une tendance croissante dans la science des matériaux, car elle peut aider les scientifiques à réduire considérablement le nombre d'expériences et le temps nécessaire pour cribler de nouveaux matériaux. La stratégie présentée dans cette étude pourrait accélérer le développement des batteries de nouvelle génération, qui ont le potentiel de révolutionner les technologies de stockage de l'énergie dans tous les domaines. Cela concerne non seulement la production d'énergie renouvelable et les véhicules électriques ou hybrides, mais aussi l'électronique grand public, comme les ordinateurs portables et les smartphones. En outre, les applications réussies de l'apprentissage automatique dans la recherche sur les batteries peuvent servir de modèle pour le développement de matériaux dans d'autres domaines, ce qui pourrait accélérer l'innovation dans l'ensemble du paysage de la science des matériaux.
"Le nombre d'expériences peut être réduit en utilisant l'apprentissage automatique, ce qui nous rapproche de l'accélération et de la réduction du coût du développement des matériaux. En outre, comme les performances des matériaux d'électrode pour les batteries Na-ion continuent de s'améliorer, on s'attend à ce que des batteries de grande capacité et de longue durée de vie soient disponibles à moindre coût à l'avenir", conclut M. Komaba.
Espérons que les batteries sodium-ion commercialement viables deviendront bientôt une réalité !
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.