Développer une nouvelle batterie lithium-ion peut prendre des années de tests énergivores. Une équipe de l'Université du Michigan affirme avoir trouvé la parade : un système d'apprentissage automatique capable de prédire les performances sans passer par la case laboratoire.
Vous pensiez que concevoir une batterie se résumait à empiler des matériaux dans le bon ordre ? Détrompez-vous. Le véritable casse-tête commence après, lorsqu'il faut valider la durée de vie du prototype. Charger, décharger, recommencer jusqu'à épuisement : le processus actuel engloutit des mois, voire des années. Une étude estime que les tests de batteries nécessiteraient 130 000 GWh d'électricité d'ici 2040, soit l'équivalent de la moitié de la production annuelle californienne.
L'IA pour court-circuiter les tests physiques
L'équipe de Jiawei Zhang, chercheur postdoctoral à l'Université du Michigan, a publié cette semaine dans Nature une méthode baptisée « Discovery Learning ». Le principe : exploiter les données collectées en début de vie d'un prototype pour anticiper ses performances futures, sans attendre qu'il rende l'âme. Le système s'articule autour de trois modules . Le premier sélectionne les prototypes les plus pertinents à tester physiquement.
Le second analyse leurs premières cycles de charge en les comparant à l'historique des batteries existantes. Le troisième prédit la durée de vie finale, puis réinjecte ces prédictions dans le système pour affiner les choix suivants. L'astuce majeure ? Le modèle s'auto-alimente avec ses propres estimations plutôt qu'avec des mesures expérimentales complètes . Résultat revendiqué : 98% de temps économisé et 95% de coûts en moins par rapport aux méthodes classiques .
Des promesses à tempérer face aux limites du modèle
Le chiffre fait rêver les industriels, mais Chao Hu, professeur à l'Université du Connecticut, reste prudent dans son analyse publiée en accompagnement de l'étude. Le talon d'Achille du système réside dans sa dépendance aux données d'entraînement. Si un nouveau design s'éloigne trop des architectures de batteries déjà connues, les prédictions risquent de perdre en fiabilité . Autre point d'interrogation : les conditions réelles d'utilisation.
Les batteries ne fonctionnent pas en laboratoire stérile, mais sous des températures variables et des charges électriques fluctuantes. Aucune validation terrain n'a encore été réalisée. Le marché des batteries pèse 120 milliards de dollars aujourd'hui et devrait atteindre 500 milliards en 2030. Même une économie marginale sur les coûts de développement peut basculer des milliards. Mais entre les prédictions d'un modèle et une batterie qui tient ses promesses dans votre smartphone ou votre voiture électrique, il reste un fossé que seuls des tests supplémentaires pourront combler.
La méthode s'appuie sur les fondations d'une étude de 2019 qui avait déjà montré qu'une IA pouvait prédire la longévité d'une batterie avec moins de 15% d'erreur. Cette fois, l'équipe pousse le concept plus loin en réduisant drastiquement le volume de données nécessaires. Reste à voir si l'industrie adoptera ce raccourci ou préférera la sécurité des protocoles traditionnels.
Source : The Register
