Une équipe de recherche de l’Université de Chicago a développé une nouvelle méthode d’intelligence artificielle, améliorant significativement l’efficacité de la R&D des matériaux de batterie. Cette technologie d’IA, via un modèle d’apprentissage actif, explore des millions de combinaisons d’électrolytes avec seulement 58 points de données expérimentaux, ouvrant une nouvelle voie pour la R&D des matériaux de batterie.

L’équipe de recherche a publié un article démontrant comment un modèle d’IA basé sur peu de données peut accélérer la découverte de matériaux de batterie. Le chercheur postdoctoral de l’Institut Pritzker d’ingénierie moléculaire de l’Université de Chicago, Ritesh Kumar, a indiqué : « Chaque expérience nécessite des semaines, voire des mois, pour obtenir un point de données. Il n’est pas réaliste d’attendre d’avoir des millions de données pour entraîner ces modèles. » La méthode d’IA adopte une boucle de validation expérimentale, renvoyant les résultats de test au modèle pour une optimisation continue.

Les chercheurs ont adopté une stratégie de « confiance mais vérification », testant environ dix électrolytes par cycle via sept cycles d’apprentissage actif, découvrant finalement quatre nouveaux solvants d’électrolyte de performance supérieure. Kumar a souligné : « Le modèle n’est pas très précis au début, donc il y aura des résultats de prédiction, mais les résultats de prédiction comporteront également de l’incertitude. » Cette méthode de recherche pilotée par l’IA réduit efficacement les zones aveugles expérimentales, évitant les biais cognitifs dans les recherches traditionnelles.