Interpretable machine learning reveals biochar-specific hydraulic predictors of plant microbial fuel cell performance under unsaturated soil conditions

Imaginez le sol sous vos pieds non pas comme de la simple terre, mais comme une ville grouillante et invisible. Dans cette ville, de minuscules plantes sont les centrales électriques, absorbant la lumière du soleil et envoyant des collations sucrées vers leurs racines. Cachés dans le sol se trouvent des travailleurs microscopiques — des bactéries — qui mangent ces collations et, ce faisant, libèrent de minuscules étincelles d'électricité. Lorsque nous construisons un dispositif spécial pour capturer ces étincelles, nous obtenons une « Pile à Combustible Microbienne de Plante » (PMFC). Considérez cela comme une batterie vivante qui fonctionne grâce à la photosynthèse et à la terre. Mais voici la partie délicate : cette batterie vivante fonctionne dans un sol qui n'est pas constamment imbibé comme une éponge. À mesure que le sol s'assèche, les « routes » sur lesquelles l'électricité voyage changent, provoquant des fluctuations importantes de la production d'énergie. Les scientifiques ont tenté de corriger cela en mélangeant du « biochar » (qui est essentiellement du charbon fabriqué à partir de plantes) dans le sol, en espérant qu'il agisse comme une éponge ou une autoroute pour maintenir le flux d'électricité. Mais le sol est un endroit désordonné et changeant, et comprendre exactement comment l'eau, le charbon et les bactéries travaillent ensemble pour produire de l'énergie a été un peu un jeu de devinettes.

C'est là qu'une équipe de chercheurs est intervenue avec un nouvel outil : un cerveau informatique super intelligent appelé « apprentissage automatique » (machine learning). Au lieu de simplement regarder des graphiques simples, ils ont nourri leur ordinateur avec une quantité massive de données provenant d'une expérience où ils ont laissé le sol sécher lentement, jour après jour. Ils voulaient voir si l'ordinateur pouvait apprendre les règles secrètes de la manière dont les niveaux d'eau du sol et le type de biochar utilisé prédisaient la quantité d'électricité que la batterie végétale produirait. Ils ne voulaient pas seulement deviner ; ils voulaient savoir quels facteurs étaient les véritables chefs du système.

L'Expérience : Une course contre l'assèchement du sol

Les chercheurs ont mis en place une petite course de laboratoire. Ils ont fait pousser une plante aquatique commune, Hydrocotyle vulgaris, dans des pots de terre. Certains pots contenaient du sol pur (le groupe témoin), tandis que d'autres avaient un mélange spécial : du sol mélangé à 5 % de biochar provenant de trois sources différentes : bois de pommier, paille de maïs et paille de roseau. Ils ont laissé les plantes pousser pendant quatre semaines jusqu'à ce que l'électricité soit stable, puis ils ont arrêté l'arrosage.

À mesure que le sol commençait à s'assécher naturellement, les chercheurs ont joué le rôle de détectives, enregistrant les données toutes les 8 heures. Ils ont suivi la température, l'humidité, la quantité d'eau restante dans le sol et la difficulté pour l'eau de se déplacer (un concept appelé « succion matricielle », qui est comme le « niveau de soif » du sol). Plus important encore, ils ont mesuré l'électricité : la tension (la poussée), le courant (le flux) et la puissance (le travail total effectué).

Le travail de détective de l'ordinateur

Pour donner un sens à ce déluge de chiffres, l'équipe a utilisé sept types différents de modèles d'apprentissage automatique. Considérez ces modèles comme différents types de détectives : certains cherchent des lignes droites, d'autres des regroupements, et certains (comme la « Forêt Aléatoire » ou Random Forest) sont comme une équipe d'experts votant sur la réponse. Ils devaient être très prudents pour ne pas introduire de biais. Puisque le sol séchait au fil du temps, les données d'aujourd'hui sont très similaires à celles d'hier. S'ils laissaient l'ordinateur « jeter un coup d'œil » aux données de demain tout en apprenant celles d'aujourd'hui, cela introduirait un biais. Ils ont donc utilisé une méthode spéciale de « blocage », entraînant l'ordinateur sur un segment de temps et le testant sur un segment ultérieur, garantissant que le modèle apprenne de vrais motifs et non des tours de mémoire.

Les grandes découvertes : Ce qui compte réellement ?

L'enquête de l'ordinateur a révélé des vérités surprenantes sur le fonctionnement de ces batteries vivantes.

1. La « Poussée » et la « Puissance » sont les plus faciles à prédire.
L'ordinateur était très doué pour deviner le potentiel électrique (la poussée de tension) et la densité de puissance (la production d'énergie totale). Il a réussi à prédire correctement environ 60 % de la tension et 58 % de la puissance. Cependant, il a eu du mal à prédire le courant (le flux) et la résistance (la difficulté du flux). Il semble que la « poussée » et la « puissance » finale suivent des règles plus claires que les détails désordonnés de la façon dont les électrons se déplacent à chaque seconde.

2. La « Soif » du sol est un indice clé.
Parmi toutes les mesures d'eau, l'ordinateur a trouvé que la succion matricielle (la « soif » du sol ou la force avec laquelle il retient l'eau) était le prédicteur continu le plus important. Il ne s'agissait pas seulement de la quantité d'eau présente (teneur en eau volumétrique), mais de la force avec laquelle le sol tirait sur cette eau. À mesure que le sol devenait assoiffé, l'électricité changeait d'une manière que l'ordinateur pouvait suivre.

3. Le champion de la « Paille de Roseau ».
En ce qui concerne le type de biochar, l'ordinateur a identé le traitement par biochar de paille de roseau comme le prédicteur le plus puissant. Ce mélange spécifique produisait l'électricité la plus élevée. L'ordinateur a appris que si le sol contenait du biochar de paille de roseau, il pouvait s'attendre à une production d'électricité beaucoup plus élevée qu'avec du bois de pommier ou de la paille de maïs. En fait, le traitement à la paille de roseau était si distinct que l'ordinateur avait besoin de savoir de « quelle équipe » le sol faisait partie pour faire une bonne estimation.

4. L'« Équipe » compte plus que les « Joueurs ».
Les chercheurs ont également étudié les bactéries vivant dans le sol à l'aide du séquençage de l'ADN. Ils ont découvert que les bactéries dans le sol de paille de roseau étaient très diversifiées, tandis que le sol de bois de pommier possédait beaucoup de bactéries « stars » spécifiques. Mais voici le tournant : les bactéries les plus abondantes ne correspondaient pas toujours à l'électricité la plus élevée. L'ordinateur n'a pas utilisé les bactéries comme un prédicteur direct car les données d'ADN n'ont été prélevées qu'à la toute fin, et non toutes les 8 heures. Cependant, les données suggèrent que la structure globale de la communauté (la diversité de la ville bactérienne) pourrait être plus importante pour la puissance que la simple présence de quelques « super-bactéries » spécifiques.

Les limites : Ce que l'ordinateur n'a pas pu faire

L'étude a également écarté certaines choses. L'ordinateur n'a pas été capable de prédire l'électricité d'un nouveau type de biochar qu'il n'avait jamais vu auparavant. Lorsque les chercheurs ont testé le modèle sur un type de biochar qu'il n'avait pas appris (en cachant un type de biochar pendant l'entraînement), le modèle a échoué, donnant des scores de précision négatifs. Cela signifie que l'ordinateur a appris la « personnalité » des biochars spécifiques qu'il a vus, mais qu'il n'a pas appris les lois universelles de la physique qui s'appliqueraient à n'importe quel charbon. C'est comme un étudiant qui a mémorisé les réponses d'un examen spécifique mais qui est incapable de résoudre un nouveau problème avec des chiffres différents.

La conclusion

Alors, qu'est-ce que cela signifie pour l'avenir des batteries vivantes ? L'étude suggère que si vous voulez construire un dispositif alimenté par les plantes fiable dans un sol sec, vous ne pouvez pas simplement deviner. Vous devez savoir exactement à quel point le sol a soif (succion matricielle) et quel type spécifique de biochar vous utilisez. Le biochar de « paille de roseau » semble être le grand gagnant pour maintenir le flux d'électricité, probablement parce qu'il retient l'eau et les ions d'une manière qui maintient les travailleurs bactériens heureux et les routes électriques ouvertes.

Bien que les modèles informatiques ne soient pas encore parfaits — ils ne peuvent pas prédire l'avenir avec 100 % de précision — ils nous ont fourni une carte bien plus claire du terrain. Ils montrent que la relation entre l'eau, le sol et l'électricité est complexe et non linéaire, mais qu'avec les bons outils, nous pouvons commencer à comprendre les règles de cette centrale électrique vivante et respirante. La prochaine étape pour les scientifiques est de remplacer les « étiquettes d'équipe » par des mesures spécifiques des propriétés du biochar, afin que l'ordinateur puisse apprendre les règles universelles et nous aider à construire de meilleures batteries vertes pour le monde.