Un combustible et un produit chimique durables issus du laboratoire robotique

Une nouvelle infrastructure de recherche entièrement automatisée et dotée d'une IA accélère le développement de catalyseurs chimiques

21.02.2024
ETH Zürich / Michel Büchel

Échelle de précision du système robotique. Le système transfère les produits chimiques bruts solides et liquides dans les flacons de verre dans lesquels la synthèse a lieu.

L'intelligence artificielle et les infrastructures de laboratoire automatisées accélèrent considérablement le développement de nouveaux catalyseurs chimiques. Grâce à ces outils, les chercheurs de l'ETH Zurich mettent au point des catalyseurs permettant de synthétiser de manière efficace et rentable la source d'énergie qu'est le méthanol à partir duCO2.

Les catalyseurs sont les petits assistants de la chimie qui travaillent dur. Ils accélèrent les réactions et réduisent l'énergie nécessaire pour qu'une réaction ait lieu. Plus un catalyseur est spécifique et efficace, plus les réactions secondaires indésirables sont supprimées. Dans la nature, les enzymes ont pour tâche de stimuler spécifiquement les processus métaboliques nécessaires parmi les possibilités de réaction presque infinies de la soupe chimique à l'intérieur des cellules. Dans les usines chimiques, les catalyseurs métalliques sont généralement utilisés pour augmenter le rendement des produits.

Les chercheurs de la plateforme technologique Swiss Cat+ de l'ETH Zurich, sous la direction de Paco Laveille, ont mis au point une méthode entièrement numérisée et automatisée qui leur permet de trouver de nouveaux et meilleurs catalyseurs métalliques beaucoup plus rapidement qu'auparavant. Leur processus consiste en une combinaison d'intelligence artificielle (IA) pour calculer les compositions prometteuses des catalyseurs et en un laboratoire de synthèse et d'essai automatisé.

Grâce à cette infrastructure, il a fallu moins de six semaines à l'équipe pour mettre au point environ 150 compositions de catalyseurs pour la production de méthanol à partir deCO2. Les meilleurs catalyseurs sont rentables et présentent des taux de conversion élevés avec une faible proportion de sous-produits. "Cette nouvelle méthode permet de gagner énormément de temps", explique M. Laveille. "Avec une approche conventionnelle, nos expériences auraient pris des années.

Le méthanol est considéré comme l'un des éléments clés d'une économie durable basée sur les hydrocarbures. Proche parent chimique de l'éthanol (c'est-à-dire de l'alcool de bouche), cette substance peut être utilisée à la fois comme carburant et comme matière première pour la production de composés organiques tels que les médicaments, les plastiques ou les peintures. Comme il s'agit d'un liquide, le méthanol est beaucoup plus facile à transporter et à stocker que l'hydrogène et le méthane gazeux, deux autres sources d'énergie. De plus, l'utilisation du méthanol dans l'infrastructure d'approvisionnement existante et les moteurs de la technologie actuelle de l'essence ne nécessite que des modifications mineures.

Réduire les possibilités grâce à une présélection intelligente

La recherche de catalyseurs optimaux pour la production de méthanol se heurte à un problème de taille : en théorie, les atomes peuvent être combinés de manière presque infinie pour former un catalyseur. "L'espace chimique dans lequel nous recherchons des catalyseurs comprend environ 1020 possibilités, soit cent milliards de milliards. Nous cherchons donc littéralement une aiguille dans une botte de foin chimique", explique Christophe Copéret, professeur au laboratoire de chimie inorganique de l'ETH Zurich et co-initiateur du projet Swiss Cat+.

Pour réduire l'immense éventail de possibilités, les chercheurs ont fait une présélection basée sur l'expérience et les exigences économiques. Un catalyseur utilisable à grande échelle doit être non seulement efficace, mais aussi peu coûteux. C'est pourquoi les principaux ingrédients actifs du catalyseur ont été limités à trois métaux comparativement bon marché : le fer, le cuivre et le cobalt.

Outre ces métaux principaux, les chercheurs ont pris en compte trois éléments qui sont traditionnellement ajoutés aux catalyseurs en petites quantités à des fins de dopage, ainsi que le potassium, qui est également contenu dans de nombreux catalyseurs. En ce qui concerne les matériaux porteurs, les chercheurs se sont limités à quatre oxydes métalliques typiques. En multipliant les différents rapports de mélange, on obtient tout de même 20 millions de combinaisons possibles.

Des étapes itératives avec des statistiques assistées par l'IA

À ce stade, les chercheurs ont fait appel à un algorithme d'IA qui utilise ce que l'on appelle l'optimisation bayésienne pour trouver les meilleures solutions possibles. Cette forme spéciale de statistiques est particulièrement adaptée lorsque l'on ne dispose que d'une petite quantité de données. Contrairement aux statistiques classiques, la probabilité ne découle pas de la fréquence relative calculée à partir de nombreuses expériences. Le calcul prend plutôt en compte la probabilité que l'on peut attendre sur la base de l'état actuel des connaissances.

Dans un premier temps, l'algorithme a sélectionné au hasard 24 compositions de catalyseurs répondant aux spécifications établies pour limiter la complexité. Ces catalyseurs ont été produits directement à l'aide de l'infrastructure du laboratoire automatisé Swiss Cat+, puis testés.

Fournir rapidement de nombreux résultats très fiables

Les résultats de cette première sélection ont servi aux chercheurs de point de départ pour une prédiction par l'IA ; les compositions catalytiques ainsi prédites ont à leur tour été automatiquement synthétisées et testées. Pour ce premier test de démonstration, les scientifiques ont demandé à leur système intégré d'effectuer un total de six cycles de ce type.

Le fait que les résultats se soient améliorés d'un tour à l'autre non pas de manière linéaire, mais plutôt par bonds, était tout à fait intentionnel : non seulement l'algorithme optimise les résultats des tours précédents, mais il comprend également une composante exploratoire qui introduit des compositions entièrement nouvelles dans chaque tour et apprend à connaître l'espace chimique. C'est ainsi que les chercheurs ont évité que les calculs ne restent bloqués dans une impasse d'optimisation parmi toutes les possibilités.

Générer des données au-delà de la pétrochimie

Dans ce premier projet, cependant, la préoccupation première des chercheurs n'était pas de trouver le meilleur catalyseur possible pour la synthèse du méthanol. "À l'heure actuelle, les connaissances sur les catalyseurs destinés à la production de carburants reposent essentiellement sur l'expertise de l'industrie pétrolière", explique M. Copéret. "En ce qui concerne les réactions utilisées dans l'industrie de l'énergie durable, nous manquons encore de données fiables. Or, les algorithmes d'IA et l'intelligence de la recherche humaine ont besoin de ces données avant de pouvoir effectuer des recherches plus ciblées dans le vaste espace des possibilités chimiques. "Et c'est précisément le type de données reproductibles de haute qualité que notre laboratoire robotique assisté par l'IA fournit maintenant. Il est certain que cela fera progresser la recherche sur les catalyseurs", ajoute M. Laveille.

Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.

Publication originale

Autres actualités du département science

Actualités les plus lues

Plus actualités de nos autres portails

Tous les fabricants de spectromètres FT-IR en un coup d'œil