Le pari de l’hydrogène décarboné fait par le plan de relance l’a encore rappelé : pour sortir des énergies fossiles, il faudra pallier l’intermittence des énergies renouvelables. Ce qui nécessitera des moyens de stockage de l’énergie à grande échelle, par exemple en transformant l’électricité produite en carburants, via des réactions chimiques. C’est le même constat qui pousse Facebook AI research (Fair) et l’université américaine Carnegie Mellon à lancer, mercredi 14 octobre, Open Catalyst.
Un projet ouvert visant à créer un modèle d’intelligence artificielle capable de prédire précisément et rapidement les réactions électrochimiques engendrées par tous types de catalyseurs, afin de sélectionner les plus prometteurs pour stocker l’énergie.
Industrialiser le stockage
“Les réactions d’électrocatalyse permettent d’utiliser l’électricité issue d’une source renouvelable pour la convertir en quelque chose que l’on peut stocker", résume Zack Ulissi, un chercheur en ingénierie chimique à l’Université Carnegie Mellon. Un enjeu de taille pour la transition énergétique, mais qui nécessite des catalyseurs : des matériaux complexes souvent composés d'alliages de métaux et dont la structure permet de déclencher des réactions chimiques sans y participer.
Que ce soit pour l’hydrogène, le méthanol, l'acide formique ou tous types de carburants de synthèse, des catalyseurs existent déjà. Mais ceux-ci ne sont pas toujours efficaces ni industrialisables, d'où l'intérêt de nombreux acteurs d'innover pour en améliorer les performances. Que ce soit pour obtenir des catalyseurs plus efficaces et plus sélectifs, ou pour proposer des solutions moins chères que celles qui existent, trop souvent dépendantes de métaux rares et chers, comme le platine... Open Catalyst souhaite mobiliser les ressources de l'IA pour répondre à ces enjeux.
Mécanique quantique
Le pari est ambitieux. Pour prévoir l’effet des catalyseurs, il faut pouvoir connaître précisément les interactions entre molécules. Une échelle microscopique, celle de la mécanique quantique, où “tous les atomes se déplacent et rebondissent les uns sur les autres, et les électrons volent dans tous les sens”, dessine le chercheur en IA chez Facebook Larry Zitnick. Un cauchemar de modélisation donc, pour lequel les méthodes computationnelles actuelles “peuvent prendre plusieurs heures et jusqu’à des semaines dans certains cas”, regrette Zack Ulissi.
En quittant la modélisation pour la statistique, l’apprentissage automatique (machine learning) à partir d'expérimentations déjà conduites pourrait permettre d’obtenir les mêmes données en quelques secondes, espèrent les chercheurs. Et donc de tester non plus des dizaines de milliers, mais des milliards de combinaisons de matériaux chaque année afin d'identifier les plus prometteuses pour tous types de réaction. De quoi réserver les expérimentations en laboratoires, longues et coûteuses, aux meilleurs candidats.
Jeu de données ouvert à tous
Reste que la partie n’est pas gagnée, alors que dans les catalyseurs, une différence infime peut influer grandement sur les réactions. “Nos résultats ne sont pas encore assez précis”, admet Larry Zitnick. “La différence entre un super catalyseur et un mauvais est très mince... Nous pourrions peut être parvenir à un résultat utile d’ici un an, mais je ne serai pas surpris d’attendre plusieurs années.”
Un constat qui a poussé les deux institutions à jouer collectif. Pour accélérer les recherches, elles mettent à disposition de la communauté scientifique un important jeu de données, Open Catalyst intégrant plus d’un million de simulations de catalyses, soit l’équivalent des 70 millions d’heures de calculs que les serveurs de Facebook ont ventilé au long de leur collaboration, débutée l'année dernière. Afin de stimuler l'écosystème, Open Catalyst pourrait par ailleurs organiser un "challenge IA" autour de l'usage de ce jeu de données.
