Atomistic Structure Generation and Neural-Network Screening of Hard Carbons to Identify High-Capacity Sodium Storage
Cet article présente un cadre de calcul évolutif combinant des potentiels interatomiques appris par apprentissage automatique, l'outil de génération de structures RAFFLE et un substitut par réseau de neurones pour modéliser plus de 13 000 structures de carbone dur réalistes, reliant avec succès leurs caractéristiques microstructurales à la performance de stockage du sodium et identifiant des candidats d'anode à haute capacité dépassant 800 mAh g.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le monde s'oriente vers une électricité provenant du soleil et du vent, des sources qui sont propres mais imprévisibles. Pour rendre cette énergie fiable, nous avons besoin de batteries capables de stocker de vastes quantités de puissance et de les libérer lorsque les nuages couvrent le soleil ou que le vent tombe. Bien que les batteries lithium-ion alimentent actuellement nos téléphones et nos voitures, le lithium sur lequel elles reposent devient coûteux et rare. Les scientifiques recherchent désormais une alternative plus abondante : le sodium, l'élément courant que l'on trouve dans le sel de table. Le sodium est partout et bon marché, mais c'est un ion plus grand et plus encombrant que le lithium, ce qui rend son stockage efficace difficile avec les matériaux que nous utilisons actuellement. Le candidat le plus prometteur pour contenir le sodium est un type de carbone appelé carbone dur, un matériau désordonné et semblable à une éponge qui peut piéger les ions sodium dans ses minuscules poches internes. Cependant, ce matériau est si complexe et irrégulier que les scientifiques ont eu du mal à comprendre exactement comment sa structure interne affecte sa capacité à stocker l'énergie, laissant la conception de meilleures batteries aux mains d'un jeu de tâtonnements.
Une équipe de chercheurs de l'Université d'Exeter a adopté une approche différente, utilisant de puissants ordinateurs pour construire des milliers de modèles virtuels de carbone dur afin de voir ce qui les fait le mieux fonctionner. Au lieu d'essayer de deviner la structure parfaite, ils ont utilisé un système d'apprentissage automatique pour générer plus de treize mille modèles uniques et réalistes de carbone dur. Ces modèles n'étaient pas de simples dessins ; ils étaient des cartes atomiques détaillées contenant des milliers d'atomes de carbone disposés selon des motifs désordonnés, complets avec les minuscules pores et défauts qui existent dans les matériaux réels. Les chercheurs ont ensuite utilisé un programme informatique spécialisé, entraîné sur les lois de la physique, pour simuler la façon dont les ions sodium se déplaceraient dans ces structures virtuelles. En testant chaque modèle, ils pouvaient mesurer exactement la quantité de sodium qu'il pouvait contenir et comment la tension changeait lors de la charge et de la décharge de la batterie. Cette expérience numérique massive leur a permis de voir des schémas qui seraient impossibles à repérer dans un laboratoire physique, où la création et le test d'un seul nouveau matériau peuvent prendre des semaines.
Les simulations ont révélé une relation claire entre la forme du carbone et ses performances. Les chercheurs ont découvert que le meilleur carbone dur pour stocker le sodium n'est pas le type dense et solide, mais plutôt une version plus légère et plus poreuse. Plus précisément, les modèles ont montré que les structures ayant une densité d'environ 1,25 gramme par centimètre cube et une porosité comprise entre 12 et 15 pour cent offraient les meilleures performances. Dans ces structures optimales, les pores internes n'étaient pas seulement des trous vides ; ils étaient des tunnels bien connectés qui permetaient au sodium de circuler librement à travers le matériau. Lorsque le carbone était trop dense, le sodium ne pouvait pas pénétrer à l'intérieur, et la capacité de stockage était faible. Lorsque le carbone était trop léger ou que les pores étaient isolés, la capacité souffrait également. Le modèle virtuel le plus réussi, que les chercheurs ont appelé Structure E, était capable de stocker le sodium à un taux de 857 milliampères-heures par gramme, un chiffre qui surpasse à la fois les records expérimentaux actuels et la capacité des batteries lithium-graphite standards.
Pour donner du sens à un si grand nombre de modèles sans passer des années en calculs, l'équipe a entraîné une intelligence artificielle légère pour prédire la capacité de stockage de n'importe quelle structure simplement en regardant sa forme. Cette IA a agi comme un filtre rapide, scannant toute la bibliothèque de treize mille modèles en quelques secondes pour identifier les candidats les plus prometteurs. L'IA a correctement identifié qu'une capacité élevée était liée à une faible densité et une porosité élevée, et elle a réussi à orienter les chercheurs vers les structures les plus performantes. Lorsque les chercheurs ont ensuite lancé des simulations détaillées et chronophages sur ces meilleurs candidats pour confirmer les prédictions de l'IA, les résultats ont tenu bon. L'analyse détaillée a montré que dans les meilleures structures, les ions sodium remplissaient un vaste réseau de pores connectés, se répartissant uniformément plutôt que de rester coincés dans des points isolés. Cela a confirmé que la géométrie des vides internes est tout aussi importante que la composition chimique du carbone lui-même.
L'étude suggère que la voie vers de meilleures batteries au sodium réside dans l'ingénierie de l'architecture microscopique du carbone, en s'assurant qu'il possède la bonne quantité d'espace vide et que cet espace est connecté de manière à permettre aux ions de circuler librement. Les chercheurs ont identifié un « point idéal » spécifique pour ces propriétés, offrant une cible claire pour les chimistes et les ingénieurs qui fabriquent ces matériaux. En passant de l'incertitude à une compréhension basée sur les données de la façon dont la structure atomique dicte la performance, ce travail fournit une feuille de route pour la conception d'anodes à haute capacité. L'approche utilisée ici, qui combine la génération de structures réalistes et l'apprentissage automatique, pourrait également être appliquée à d'autres matériaux, accélérant potentiellement la découverte de nouvelles solutions de stockage d'énergie essentielles pour un avenir énergétique renouvelable et stable.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.