Simuler plus finement les électrodes de carbone grâce au machine learning
Le projet BATMAN s’est fixé pour objectif de développer de nouveaux modèles de batteries intégrant les approches de la science des données et de l’intelligence artificielle.
Zacharie Waysenson, Mathieu Salanne et Marco Saitta (Sorbonne Université)
Zacharie Waysenson soutiendra le 11/09/2026 la première thèse financée sur ce projet. Ses travaux portent sur la modélisation des mécanismes de charge dans les batteries de puissance, des dispositifs de stockage d’énergie capables de se charger et de se décharger très rapidement, avec une durée de vie exceptionnelle. Comprendre finement comment les ions s’organisent et se déplacent à l’intérieur des nanopores de carbone qui constituent leurs électrodes est essentiel pour concevoir la prochaine génération de ces systèmes. Si la simulation moléculaire a déjà beaucoup apporté à ce domaine, deux approximations limitaient jusqu’ici le réalisme des modèles : la rigidité imposée aux électrodes de carbone, et la simplicité excessive de leur structure poreuse. Au cours de sa thèse, Zacharie Waysenson s’est précisément attaqué à ces deux verrous.
Dans un premier temps, en couplant une méthode de dynamique moléculaire à potentiel constant avec un potentiel interatomique appris par apprentissage automatique (machine learning), Zacharie a pu simuler des électrodes de carbone flexibles, capables de se déformer localement lors de la charge, et de comparer leur comportement à celui d’électrodes rigides classiques. Il a montré que la flexibilité du carbone accélère considérablement la diffusion des ions dans les pores, réduisant d’un facteur 3 le temps caractéristique de charge, tout en conservant une capacité spécifique conforme aux valeurs expérimentales (environ 140 F/g). Les analyses montrent que cette amélioration provient d’une expulsion plus efficace des co-ions et d’une redistribution plus homogène et plus rapide de la charge électrique dans le matériau dès l’application de la tension.
Il s’est ensuite intéressé à l’étude de l’origine microscopique de l’augmentation anormale de la capacité observée dans les carbones nanoporeux, un phénomène longtemps attribué au confinement des ions dans des pores de taille inférieure au nanomètre, mais que des travaux récents attribuaient plutôt au désordre structural du carbone. Zacharie a développé un protocole computationnel original de soft-templating, toujours piloté par un potentiel machine learning, permettant de générer des architectures de carbone désordonnées et réalistes, à taille de pore contrôlée. En simulant leur charge à potentiel constant, il a démontré qu’à désordre structural fixé, la capacité augmente bien lorsque la taille des pores diminue en dessous du nanomètre. Cette dernière est aussi significativement supérieure à celle obtenue par simulation de graphènes nanoporeux de tailles de pores similaires. Les travaux de Zacharie réconcilient ainsi les deux explications basées sur le confinement et le désordre, au sein d’un cadre théorique unifié, en accord quantitatif avec les expériences.
Ces travaux illustrent la puissance des potentiels machine learning pour dépasser les approximations historiques de la simulation moléculaire, et ouvrent des pistes concrètes pour la conception rationnelle de carbones nanostructurés performants pour le stockage électrochimique de l’énergie.
Autres Événements
