Des chercheurs de l’université du Michigan annoncent un cadre d’IA capable de prédire la durée de vie d’une batterie après seulement 50 cycles, contre des centaines voire des milliers en essais classiques. À la clé, des campagnes de validation écourtées de plusieurs mois, une consommation énergétique divisée jusqu’à 20 et une itération plus rapide sur les chimies et formats de cellules.
Un framework « agentique » qui résonne avec la physique
Publiée dans Nature, la méthode portée par Ziyou Song (assistant professor) et le doctorant Jiawei Zhang s’appuie sur une architecture multi-agents spécialisée : un « apprenant » sélectionne les designs prometteurs et lance des tests courts sous contraintes de température et de courant ; un « interprète » analyse ces 50 cycles via un simulateur physiquement informé ; un « oracle » agrège ces sorties avec la connaissance existante pour estimer la durée de vie complète.
Le système n’exploite pas seulement des signatures superficielles (courbes de tension, régimes de charge). Il remonte aux paramètres électrochimiques pertinents et à leur évolution sous chaleur, contrainte et cyclage, ce qui lui permet de généraliser à travers formats et usages. En pratique, l’équipe indique une réduction jusqu’à 95 % du temps et de l’énergie nécessaires aux tests de durabilité.
Validation sur données réelles et transfert de format
Farasis Energy USA a financé l’étude et fourni des données opérationnelles ainsi que des cellules pouch pour la validation. Même entraîné uniquement sur des cellules cylindriques, le modèle a correctement prédit les performances de grands formats souples, indice que la couche physique capture des lois d’agnostisme vis-à-vis du facteur de forme. Là où une campagne de 1000+ cycles prend des mois, quelques jours d’essais suffisent ici à dégager une projection fiable de la durée de vie.
Le pipeline itère : chaque prédiction s’intègre au corpus, ce qui renforce la précision et permet, une fois la base suffisante, de s’affranchir d’une partie des expériences. Les auteurs y voient l’émergence d’une capacité de raisonnement scientifique autonome appliquée aux matériaux électrochimiques.
Au-delà du cyclage : sécurité, charge et matériaux
Si la première démonstration cible la durée de vie en cycle, l’équipe ouvre déjà trois fronts : bornage des limites de sécurité, optimisation des profils de charge et présélection de matériaux pour les prochaines générations Li‑ion. Le principe, inspiré de la « discovery learning », est transposable à d’autres disciplines où l’expérimentation longue et coûteuse freine l’exploration, de la chimie à la science des matériaux.
Pour l’industrie, l’impact potentiel est direct : baisse du coût de validation, compression des boucles R&D, arbitrages plus rapides entre chimies, séparateurs et liants, et capacité à sécuriser des roadmaps pack et module avec moins d’incertitudes. Dans un contexte où l’avance se mesure en cycles économisés et en itérations par trimestre, une modélisation physiquement guidée et parcimonieuse en données coche les bonnes cases.
Source : ITHome
Connexion
