fr.wedoany.com Rapport : L'équipe du professeur Pang Quanquan de l'École des sciences et de l'ingénierie des matériaux de l'Université de Pékin, en collaboration avec l'Université Tsinghua, le Lawrence Berkeley National Laboratory, l'Université de Princeton et SESAICorp., a introduit un cadre d'intelligence artificielle en deux étapes combinant l'apprentissage actif profond et le transfert de connaissances pour le développement d'électrolytes pour batteries au lithium métal, permettant un criblage rapide d'électrolytes performants et le transfert de connaissances de conception entre scénarios. Les résultats de la recherche ont été publiés en ligne le 27 mars dans Nature Communications.
Les batteries au lithium métal sont considérées comme la prochaine direction clé pour le stockage d'énergie et les batteries de puissance en raison de leur densité énergétique théorique ultra-élevée, mais des problèmes tels que la faible efficacité coulombique de l'anode en lithium métal et la mauvaise stabilité de l'interface limitent depuis longtemps leur application à grande échelle. L'électrolyte est un composant central qui régule l'interface de l'anode et détermine la durée de vie des batteries. Sa conception est confrontée à un vaste espace de recherche chimique discret formé par les combinaisons de sels de lithium, de solvants, d'additifs et de concentrations. Le modèle de recherche traditionnel par « essais et erreurs » entraîne des coûts expérimentaux élevés et des cycles longs, ce qui le rend difficile à adapter à des scénarios complexes tels que l'introduction de nouvelles molécules et l'expansion de formulations à haute dimension.
Face aux défis de la conception d'électrolytes — « vaste espace de recherche, relations de performance discontinues et bruit expérimental élevé » — l'équipe de recherche a construit un cadre en deux étapes intégrant l'apprentissage actif profond (Deep Active Learning, DAL) et le codage statistique ciblé (Target Statistical Coding, TSC). La première étape se concentre sur un espace de 720 formulations initiales d'électrolytes composées de sels de lithium, de solvants, d'additifs et de concentrations, en utilisant l'apprentissage profond à noyau combiné à l'algorithme d'échantillonnage de Thompson pour sélectionner intelligemment des échantillons expérimentaux, établissant une corrélation non linéaire entre les formulations d'électrolytes et la durée de vie des batteries. La deuxième étape, via la technique de codage statistique ciblé, encode explicitement les corrélations complexes entre les composants en un système de connaissances de conception d'électrolytes réutilisable et transférable, dépassant les limites d'un espace de formulation unique.
Les résultats expérimentaux montrent que, dans l'espace des 720 formulations initiales, après seulement trois itérations d'apprentissage actif profond et un total de 128 tests d'échantillons de batteries, la durée de vie moyenne des batteries est passée de 41,9 cycles lors de la phase de criblage aléatoire à 125,1 cycles ; la proportion de batteries à courte durée de vie est passée de 80,6 % à 28,1 %, tandis que celle des batteries à longue durée de vie est passée de 9,7 % à 40,6 %. Les performances globales des 5 meilleurs électrolytes sélectionnés étaient nettement supérieures à celles des formulations de haute performance publiées dans la littérature du même type.
Les connaissances en conception d'électrolytes ont permis un transfert efficace entre scénarios. Après avoir étendu l'espace initial de 720 formulations à un espace candidat de 5400 formulations à plus haute dimension, la durée de vie moyenne des 5 meilleures formulations en condition zéro-échantillon a atteint 200,6 cycles, soit une amélioration de 1,6 fois par rapport au niveau optimal de l'espace original ; dans le système de batterie complète lithium métal/NCM811, le taux de rétention de capacité moyen après transfert sur 100 cycles était de 84,0 %, bien supérieur aux 58,2 % des formulations initiales ; face à un nouvel espace de 5760 formulations construit par l'introduction de nouvelles molécules, après seulement un cycle d'expériences avec 32 échantillons, le taux de rétention de capacité moyen sur 150 cycles est passé de 24,4 % à 56,5 %, et le taux de rétention de capacité de la meilleure formulation après 250 cycles atteignait encore 83 %.
Cette recherche combine l'apprentissage actif profond avec le transfert de connaissances, offrant un nouveau paradigme de recherche intelligent, à faible échantillonnage, haute efficacité et transférable pour les systèmes d'électrolytes. L'article de recherche a été réalisé conjointement par l'Université de Pékin, l'Université Tsinghua, le Lawrence Berkeley National Laboratory, l'Université de Princeton et SESAICorp., l'Université de Pékin étant la première unité de correspondance. Le professeur Pang Quanquan de l'Université de Pékin, le professeur associé Jiang Benben de l'Université Tsinghua et Xu Kang de SESAICorp. sont les co-auteurs correspondants de l'article, Hong Xufeng, doctorant diplômé de l'Université de Pékin en 2025, est le premier auteur, et Wang Xizhe, doctorant à l'Université Tsinghua, est le co-premier auteur. Les travaux de recherche ont été soutenus par plusieurs fonds, notamment le Programme national clé de recherche et développement, la Fondation nationale des sciences naturelles de Chine, le Fonds de recherche conjoint Tsinghua-Toyota, la Fondation des sciences naturelles de Pékin, le Centre national de recherche en sciences et technologies de l'information de Pékin et le Programme de coopération internationale 111.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
