Des carburants synthétiques et plus encore grâce à l'apprentissage automatique
Transformer plus efficacement le dioxyde de carbone en produits chimiques précieux : Une chercheuse de l'Empa veut développer de meilleures électrodes pour l'électrolyse du CO2
Rendre le dioxyde de carbone utilisable : Tel est l'objectif de la jeune chercheuse de l'Empa Carlota Bozal-Ginesta. Dans son projet de recherche, elle veut développer de meilleures électrodes pour l'électrolyse du CO2 au moyen de l'apprentissage automatique et d'expériences à haut débit. Pour cela, elle vient de recevoir une « Empa Young Scientist Fellowship » de deux ans.
L'excès de dioxyde de carbone dans l'atmosphère est le principal moteur du changement climatique. Mais il peut aussi être une matière première précieuse. Si nous filtrons le CO2 de l'atmosphère ou si nous le capturons à la source, il peut être utilisé pour produire des carburants synthétiques et des produits chimiques utiles. Outre le dioxyde de carbone, il suffit d'eau, d'un peu d'électricité provenant de sources renouvelables et d'un appareil d'électrolyse avec catalyseur.
Mais c'est là que réside le défi : les catalyseurs actuels pour ce processus sont certes efficaces, mais trop peu spécifiques. Ainsi, l'électrolyse produit un mélange de jusqu'à 20 composés liquides et gazeux différents, qui ne peuvent être séparés qu'à grande peine. Le développement de technologies appropriées, qui fournissent de manière très ciblée un seul produit ou du moins un petit nombre, est donc une question de recherche centrale – également à l'Empa.
La chercheuse de l'Empa Carlota Bozal-Ginesta, du laboratoire « Materials for Energy Conversion », poursuit une approche innovante pour de meilleures électrodes pour l'électrolyse du CO2. Elle veut mieux comprendre l'influence de la structure des électrodes sur la composition des produits grâce à l'apprentissage automatique (machine learning, ML). Pour ce projet de recherche, elle vient de recevoir une « Empa Young Scientist Fellowship » de deux ans.
Une question de structure
Les électrodes les plus fréquemment utilisées pour l'électrolyse du CO2 sont des électrodes à diffusion gazeuse. Il s'agit de structures poreuses recouvertes du matériau catalytique actif – généralement du cuivre ou de l'argent. La forme, la disposition et la densité des pores peuvent influencer le résultat de la catalyse. Toutefois, la manière exacte dont ils le font n'est pas encore totalement élucidée.
C'est ce que Carlota Bozal-Ginesta veut changer. Pour cela, elle associe deux choses : l'apprentissage automatique et l'installation à haut débit pour la recherche sur l'électrolyse du CO2, mise en place dans le laboratoire « Materials for Energy Conversion ». « Pour appliquer le ML, nous avons besoin de grands ensembles de données », explique la chercheuse. L'installation, qui peut caractériser simultanément huit à dix variantes de catalyseurs, en est la clé. Carlota Bozal-Ginesta combine les données ainsi obtenues avec diverses méthodes de microscopie et de spectroscopie.
L'apprentissage automatique est utilisé de trois manières. « Premièrement, je veux comprendre la corrélation entre la structure de l'électrode et ses performances électrochimiques. Deuxièmement, je veux développer des outils basés sur le ML qui peuvent identifier des propriétés structurelles utiles dans les images microscopiques des électrodes. Et enfin, je veux déduire de ces données de nouvelles structures d'électrodes réalistes qui pourraient avoir des propriétés prometteuses », explique la chercheuse.
Dans ce contexte, Carlota Bozal-Ginesta accorde une importance particulière à une utilisation réfléchie de la technologie ML. « Souvent, l'apprentissage automatique et l'intelligence artificielle sont utilisés dans le cadre d'une « approche par force brute », avec une préparation limitée des données et une faible prise en compte des connaissances techniques existantes », explique-t-elle. Si le jeu de données est incomplet ou le modèle inexact, les résultats ne sont pas non plus corrects. « C'est toujours à nous, les scientifiques, d'émettre des hypothèses et de fixer des priorités – c'est-à-dire de proposer et de valider quelles informations jouent le plus grand rôle dans la modélisation et la prédiction des performances. La ML est un outil puissant pour vérifier nos hypothèses. Mais nous sommes les seuls à pouvoir décider de ce qui est vraiment important », affirme Carlota Bozal-Ginesta avec conviction.