Les ventes de véhicules électriques ont connu un ralentissement. Utiliser l’IA pour améliorer leurs batteries pourrait permettre à davantage de personnes de prendre le volant.
Les ventes de véhicules électriques semblent avoir connu une baisse de vitesse.
La demande pour ces véhicules aux États-Unis a ralenti au cours de l’année écoulée, certains constructeurs automobiles ayant suspendu leurs investissements importants alors que les ventes augmentent plus lentement que prévu.
Des enquêtes ont montré que les préoccupations des consommateurs concernant les véhicules électriques incluent le coût, la recharge et l’autonomie. Tous ces éléments trouvent leur origine dans la partie la plus chère et la plus cruciale de tout véhicule électrique : la batterie.
Jason Koeller, cofondateur de la startup de batteries Chemix, pense que cela pourrait changer grâce à l’IA.
« Quand on pense à l’adoption des véhicules électriques, presque toutes les raisons pour lesquelles les gens ne veulent pas acheter de véhicules électriques ont quelque chose à voir avec la batterie », a-t-il déclaré à Trading Insider.
« Soit c’est trop cher, soit l’autonomie n’est pas assez longue, soit la charge n’est pas assez rapide, soit il y a des problèmes de sécurité perçus — quoi qu’il en soit, tout se résume à la batterie », a-t-il ajouté.
La vague de l’IA frappe les véhicules électriques
Chemix, basée en Californie, qui a levé 20 millions de dollars d’investissement en avril, est l’une des nombreuses startups et laboratoires de recherche qui cherchent à résoudre bon nombre de ces problèmes avec l’aide de l’IA.
Chemix utilise des algorithmes d’apprentissage automatique pour développer des batteries de véhicules électriques capables de se charger plus rapidement, de contenir plus d’énergie et de durer plus longtemps que les unités de puissance actuelles des véhicules électriques.
Une autre plainte courante des conducteurs concernant les véhicules électriques est leur tendance à perdre en performances dans les climats plus chauds et plus froids, un problème que les batteries conçues sur mesure de Chemix pourraient aider à résoudre.
La technologie d’IA de la startup peut également être utilisée pour filtrer les matériaux de batterie courants, tels que le nickel et le cobalt, qui ont été liés à des violations des droits de l’homme.
Koeller a déclaré que le principal avantage de l’utilisation de l’IA pour concevoir des batteries de véhicules électriques est qu’elle accélère considérablement le processus. Une étude de 2020 dans Nature a révélé que les modèles d’apprentissage automatique pourraient réduire le temps nécessaire pour identifier une conception de batterie à charge rapide de 500 jours à 16.
« Le problème que nous résolvons est en réalité d’accélérer le rythme de développement des batteries », a déclaré Koeller, ajoutant que cela serait crucial pour produire des véhicules électriques capables de rivaliser avec leurs homologues à moteur à combustion.
« Nous aurons certainement besoin de batteries aux performances nettement meilleures et nous pensons que nous y parviendrons en développant les batteries d’une manière fondamentalement différente », a-t-il ajouté.
Booster les batteries
La conception de batteries pour véhicules électriques est un processus en trois étapes, a déclaré Micah Ziegler, professeur adjoint à Georgia Tech, à BI.
Les scientifiques doivent d’abord décider d’une structure et d’une combinaison d’éléments qui produiront un matériau de batterie avec les propriétés souhaitées avant de développer une recette pour le synthétiser et de tester ce matériau en laboratoire.
Le grand nombre de combinaisons potentielles et la variété des exigences imposées aux batteries des véhicules électriques — notamment la longévité, la sécurité, le coût et la vitesse de charge — font de la conception des batteries un processus long et difficile, a déclaré Ziegler.
« Le nombre d’options est tout simplement énorme. Une fois que vous commencez à assembler différents éléments, nous parlons de milliers de milliards de combinaisons potentielles », a-t-il ajouté.
L’IA pourrait considérablement accélérer ce processus, en identifiant des combinaisons potentiellement prometteuses bien plus rapidement que les humains.
Karl Mueller, chimiste physique au Pacific Northwest National Laboratory, a décrit la conception des batteries comme une tâche « edisonienne » : un processus prolongé d’essais et d’erreurs dans lequel les scientifiques comparent et modifient des milliards de combinaisons chimiques.
« Le processus est lent et il peut falloir des années pour trouver de nouveaux matériaux et les modifier », a-t-il déclaré à BI.
PNNL s’est récemment associé à Microsoft pour découvrir un nouveau matériau prometteur pour la fabrication de batteries de véhicules électriques en utilisant la technologie d’IA et de cloud computing de ce dernier.
L’électrolyte solide qu’ils ont découvert repose moins sur le lithium, une ressource de plus en plus rare qui constitue le cœur des batteries de véhicules électriques d’aujourd’hui. Il est également moins susceptible de prendre feu que les batteries lithium-ion.
« Cela va être phénoménal »
Mueller a déclaré que l’intégration de l’IA dans le flux de travail du PNNL a permis au laboratoire d’accélérer considérablement le processus de réduction de 32 millions de combinaisons chimiques possibles à environ 20 conceptions de batteries potentielles.
« Les outils d’IA les plus récents sur lesquels nous avons travaillé avec Microsoft nous ont permis de concevoir des propriétés spécifiques et d’éliminer très tôt les éléments qui, selon nous, n’auront pas ces propriétés », a-t-il déclaré.
« Cela va être phénoménal pour accélérer le processus de découverte. Je pense que cela va accélérer la découverte de ce que nous devons faire pour permettre plus d’électrification et de meilleurs véhicules électriques », a ajouté Mueller.
Le battage médiatique autour de l’IA générative est peut-être en train de s’estomper dans certains milieux, mais la communauté scientifique est un domaine où elle récolte déjà des bénéfices évidents.
Des modèles tels que AlphaFold 3 de DeepMind ont amélioré la cartographie de protéines biologiques complexes, ouvrant potentiellement de nouvelles opportunités aux chercheurs pour développer rapidement des médicaments qui sauvent des vies.
Mueller a déclaré que la collaboration de PNNL avec Microsoft l’avait convaincu que l’IA générative pourrait avoir des applications bien au-delà de l’accélération de la conception des batteries de véhicules électriques.
« Cette idée de créer des agents scientifiques basés sur de grands modèles de langage et de les coupler à ces flux de découverte est très, très excitante », a-t-il déclaré.
« Je pense que dans un an ou deux, nous ne saurons pas encore où la science en est », a-t-il ajouté.
