Dans le domaine de la science des matériaux, même de petites variations dans les paramètres expérimentaux et les protocoles peuvent entraîner des changements indésirables dans les propriétés d'un matériau. Un développement révolutionnaire dans ce domaine est venu avec l'avènement de l'informatique des matériaux, un domaine fortement dépendant des données, qui se concentre sur les données des matériaux, y compris les protocoles de synthèse, les propriétés, les mécanismes et les structures. Il a largement bénéficié de l'intelligence artificielle (IA), qui permet des analyses de données automatisées à grande échelle, la conception de matériaux et des expériences qui peuvent aider à la découverte de matériaux utiles.

Malheureusement, le partage de données dans les deux sens au sein de la communauté scientifique entraîne souvent une perte de données. En effet, la plupart des bases de données de matériaux et des articles de recherche se concentrent largement sur les relations structure-propriété et moins sur des informations importantes telles que les protocoles expérimentaux essentiels.

Pour résoudre ces problèmes, une équipe de chercheurs dirigée par le professeur adjoint Kan Hatakeyama-Sato et le professeur Kenichi Oyaizu de l'Université Waseda au Japon a développé une plate-forme de gestion des données de laboratoire qui décrit les relations entre les propriétés, les structures et les processus expérimentaux dans des cahiers de laboratoire électroniques. Dans ce cahier de laboratoire électronique, les événements expérimentaux et les paramètres environnementaux associés sont représentés sous forme de graphes de connaissances.

Leur étude, qui a été publiée dans npj Computational Materials le 17 août 2022, s'est appuyé sur le concept selon lequel les informations expérimentales peuvent être décrites sans perte sous forme de graphes de connaissances. L'équipe a incorporé un algorithme basé sur l'IA qui pourrait convertir automatiquement ces graphiques de connaissances en tableaux et les télécharger dans un référentiel public. Cette étape a été intégrée pour s'assurer que le partage des données était sans perte et pour permettre à la communauté scientifique de mieux comprendre les conditions expérimentales.

Pour démontrer l'applicabilité de cette plateforme, l'équipe l'a utilisée pour explorer la conductivité superionique dans le lithium organique (Li ⁺ )-électrolytes ioniques. Ils ont enregistré les données brutes quotidiennes de plus de 500 expériences, réussies et non réussies, dans le cahier de laboratoire électronique. Ensuite, le module de conversion de données a automatiquement transformé les données du graphe de connaissances en ensembles de données apprenables par machine et a analysé la relation entre les opérations expérimentales et les résultats. Cette analyse a révélé les paramètres importants nécessaires pour obtenir une excellente conductivité ionique à température ambiante de 10 ⁻⁴ –10 ⁻³ S/cm et un Li ⁺ numéro de transfert aussi élevé que 0,8.

Alors, quelles sont les applications temps réel de cette plateforme ? Hatakeyama-Sato déclare :"Cette plate-forme est actuellement applicable aux batteries à semi-conducteurs et, avec des performances améliorées, elle pourra contribuer au développement de batteries plus sûres et de grande capacité."

Cette étude fournit non seulement une plate-forme pour une recherche fiable axée sur les données, mais garantit que toutes les informations, y compris les résultats expérimentaux et les données de mesure brutes, sont accessibles à tous publiquement.

Discutant de ses implications à long terme, Hatakeyama-Sato déclare :« En partageant des données expérimentales brutes entre chercheurs du monde entier, de nouveaux matériaux fonctionnels pourraient être découverts plus rapidement. Cette approche peut également accélérer le développement d'appareils liés à l'énergie, y compris la prochaine génération. batteries et cellules solaires. + Explorer plus loin

Nouvel électrolyte hybride pour batteries Li-ion hautes performances