La recherche de matériaux de stockage de l'hydrogène efficaces constitue l'un des obstacles techniques les plus pressants à une économie d'hydrogène généralisée. Hydrogène & #8217; faible densité d'énergie volumétrique dans les conditions ambiantes signifie que les solutions de stockage viables doivent soit comprimer le gaz à des pressions extrêmes, le liquéfier à des températures cryogéniques, ou le lier chimiquement ou physiquement à un matériau solide. Parmi ces options, le stockage à l'état solide dans des matériaux avancés offre le meilleur équilibre de sécurité, de densité d'énergie et de simplicité du système.

Comprendre les premiers principes Calculs

Les calculs des premiers principes, également appelés méthodes ab initio, dérivent directement les propriétés matérielles des lois de la mécanique quantique sans adapter les paramètres aux données expérimentales. Le cheval de travail de ces méthodes est la théorie fonctionnelle de la densité (DFT), qui utilise des fonctions de densité électronique pour approximer l'équation de Schrödinger à plusieurs corps. Des codes largement utilisés tels que VASP, Quantum ESPRESSO et CP2K mettent en œuvre DFT pour calculer les énergies totales, les structures électroniques et les forces sur les atomes.

La fiabilité des prédictions des premiers principes dépend du choix de la fonction de corrélation d'échange. Les fonctions courantes comprennent l'approximation de la densité locale (LDA), l'approximation généralisée du gradient (GGA) et des fonctions hybrides plus précises comme HSE06. Pour les systèmes impliquant des interactions faibles de van der Waals, qui dominent la physisorption de l'hydrogène moléculaire, les fonctions corrigées de la dispersion (p. ex., DFT-D3, vdW-DF) sont essentielles pour éviter les erreurs importantes.

Au-delà de la DFT, d'autres méthodes de premier principe telles que l'approximation aléatoire de phase (APR) et la théorie des grappes couplées (CCSD(T)) offrent une plus grande précision pour les calculs de référence, mais leur coût calculal limite l'utilisation courante.

Élaboration de modèles prédictifs pour le stockage de l'hydrogène

Les modèles prédictifs des matériaux de stockage de l'hydrogène commencent généralement par un grand ensemble de données généré par les calculs des premiers principes. Une stratégie commune est le dépistage à haut débit, où une bibliothèque de structures candidates est construite soit à partir de bases de données cristallines connues, soit en énumérant des variantes de substitution (p. ex., en dopant un hydrure métallique avec différents métaux de transition).

Les algorithmes communs comprennent les forêts aléatoires, les démêlages de gradient, les machines vectorielles de soutien et, plus récemment, les réseaux neuronaux tels que les réseaux convolutionnels de graphe (GCN) qui gèrent naturellement la structure cristalline des matériaux. Le choix des descripteurs influence fortement la précision du modèle. Les caractéristiques de composition (propriétés élémentales, électronégativité, rayon atomique) sont simples à calculer, mais les caractéristiques structurelles (numéro de coordination, longueurs de liaison, essellation de Voronoi) fournissent des informations plus riches.

Le modèle prédictif est formé pour cartographier ces caractéristiques à la ou aux propriétés cibles. Par exemple, un modèle peut être formé pour prédire la capacité de stockage de l'hydrogène à une température et une pression données, ou l'enthalpie de déshydrogénation. Une fois validé sur un ensemble d'essais tenu, le modèle peut être appliqué à un ensemble de matériaux candidats entièrement nouveau beaucoup plus grand que la base de données DFT originale, permettant un dépistage virtuel rapide de dizaines de milliers de compositions en minutes.

Principales caractéristiques des modèles efficaces

Les modèles prédictifs de stockage de l'hydrogène doivent satisfaire à trois critères essentiels : précision, efficacité et transférabilité.

  • Acquiescement:[ Le modèle et #8217; les prédictions doivent correspondre étroitement aux valeurs de DFT (ou expérimentales).Les seuils d'acceptation typiques sont des erreurs carrées moyennes (RMSE) en dessous de 0,1 eV pour les énergies de liaison ou à 2-3 % pour la capacité d'hydrogène. Ce niveau de précision garantit que les candidats prometteurs ne sont pas mal identifiés comme faux positifs ou négatifs au cours du dépistage.
  • Efficacité: Le coût de calcul d'une évaluation d'un matériau unique avec le modèle ML devrait être d'ordres de grandeur inférieurs à celui d'un calcul complet de DFT. Pour les réseaux neuronaux, une seule passe avant peut être de millisecondes, alors qu'une optimisation de la géométrie DFT peut prendre des heures sur plusieurs CPU. Cette vitesse permet une exploration exhaustive des espaces de composition qui ne seraient pas pratiques avec DFT seul.
  • Transferabilité: Un modèle idéal devrait généraliser au-delà des matériaux sur lesquels il a été formé. Pour le stockage de l'hydrogène, cela signifie prédire les propriétés de nouvelles familles chimiques (p. ex., des hydrures élémentaires aux hydrures complexes ou aux cadres métal-organiques) sans défaillance catastrophique.

Premiers principes Systèmes de données et dépôts de matériaux

Plusieurs bases de données publiques abritent maintenant des millions de propriétés matérielles calculées par DFT, fournissant une riche ressource pour la formation des modèles de stockage de l'hydrogène. Le [Project Materials] offre des énergies calculées, des structures cristallines et des diagrammes de phase pour plus de 140 000 composés inorganiques, y compris de nombreux hydrures. La NREL Hydrogen Storage Materials Database[ cure spécifiquement les données expérimentales et computatives pour les matériaux de stockage candidats. Une autre ressource importante est la Open Quantum Materials Database (OQMD)[, qui contient plus d'un million de calculs DFT et supporte des analyses à haut débit.

Pour la production de données, les chercheurs appliquent souvent des flux de travail systématiques à l'aide de cadres à haut débit tels que AFLOW, pymatgen ou atomate. Ces outils automatisent le processus de génération de structures, la création d'entrées DFT, la soumission d'emplois sur les clusters HPC et l'analyse de sortie.

L'intégration de données multifidélité gagne également en traction. Par exemple, un grand ensemble de DFT à faible précision (p. ex. GGA sans corrections van der Waals) peut être combiné à un ensemble plus petit de calculs à haute précision (p. ex., fonctions hybrides ou CCSD(T)) utilisant un modèle d'apprentissage automatique qui apprend la correction.

Applications et études de cas

Les modèles prédictifs ont déjà permis de découvrir plusieurs matériaux de stockage d'hydrogène prometteurs. Un exemple notable est le dépistage d'hydrures complexes comme les alanates (p. ex. NaAlH4), les borohydrides (p. ex. LiBH4] et les amides (p. ex. LINH2). Des études à haut débit fondées sur la DFT ont permis d'identifier que le dopage de ces composés par de petites quantités de métaux de transition (Ti, Fe, Ni) peut considérablement abaisser la température de déshydrogénation tout en préservant une forte capacité en hydrogène.

Les chercheurs ont utilisé des calculs DFT pour calculer les isothermes d'adsorption d'hydrogène pour des milliers de MO hypothétiques, puis ont formé un réseau neuronal graphe pour prédire la capacité livrable (la quantité d'hydrogène libérée entre 100 bar et 5 bar). Le modèle a identifié plusieurs nouveaux cadres dont les capacités prévues dépassent 10 wt% à 77 K, ce qui a surperformé de nombreux MO connus expérimentalement. La synthèse et la mesure subséquentes ont confirmé que certains de ces matériaux atteignent des capacités dans les 2% des prédictions.

Plus récemment, des modèles d'apprentissage supervisé ont été appliqués pour prédire l'énergie de formation des hydrures binaires et ternaires. Un modèle forestier aléatoire formé sur les données DFT du projet Matériaux a obtenu un RMSE de 0,05 eV/atome pour les énergies de formation dans un espace chimique diversifié. Lorsqu'il est utilisé pour filtrer plus de 100 000 hydrures ternaires hypothétiques, le modèle a identifié 500 composés stables jusque-là inconnus, dont beaucoup contiennent des éléments légers comme le Mg, le Ca et le Li, qui sont attrayants pour le stockage léger de l'hydrogène.

Défis et limites

Malgré la promesse, les modèles prédictifs pour le stockage de l'hydrogène sont confrontés à plusieurs obstacles. D'abord, DFT lui-même n'est pas exact. Le choix de la fonction peut conduire à des erreurs systématiques qui sont propagées dans les données de formation. Par exemple, les fonctions GGA sous-estiment souvent les barrières de réaction et surestiment les énergies de liaison dans les hydrides. Lorsque ces données sont utilisées pour former un modèle d'apprentissage automatique, les prédictions héritent des mêmes biais.

La diffusion de l'hydrogène, les transitions de phase et les effets de la température et de la pression nécessitent soit des simulations de la DJA (coûts de la computation) soit des approximations qui peuvent perdre de la précision. Les modèles d'apprentissage de la machine formés uniquement sur les propriétés statiques peuvent manquer de limitations cinétiques qui rendent un matériau impossible même si la thermochimie est favorable.

En troisième lieu, les données disponibles sur la formation sont fortement biaisées vers des structures cristallines connues. De nombreux matériaux hypothétiques, en particulier les structures amorphes ou riches en défauts, sont sous-représentés.

Quatrièmement, la transférabilité entre les classes de matériaux demeure un défi.Un modèle formé sur les hydrures intermétalliques peut se comporter mal sur des hydrures complexes contenant des polyanions (p. ex., BH4− ou NH[2−), parce que les environnements chimiques locaux sont fondamentalement différents.

Intégration de la validation expérimentale

Après avoir identifié une liste restreinte de candidats, les expérimentationnistes synthétisent et caractérisent quelques-uns des matériaux les plus prometteurs. Les résultats sont réintroduits dans le modèle pour affiner ses prédictions, fermer la boucle. Cette approche itérative accélère le cycle de découverte et aide à identifier les faiblesses du modèle.

Par exemple, l'Alliance for Materials Science du Toyota Research Institute utilise un cadre d'optimisation bayésienne qui alterne les calculs DFT, les prédictions ML et la synthèse expérimentale.Dans une étude sur les alliages à base de magnésium pour le stockage de l'hydrogène, la méthode a découvert une nouvelle composition Mg2Ni0.5Co0.5 avec une capacité d'hydrogène réversible 30% supérieure à la Mg2Ni, réduisant le travail expérimental par un facteur estimé à cinq.

Orientations futures

La prochaine génération de modèles prédictifs pour le stockage de l'hydrogène intégrera probablement une physique plus complexe. Les potentiels de réseaux neuronaux (PNN) qui peuvent directement simuler la dynamique de l'hydrogène avec une précision de niveau DFT à une fraction du coût sont déjà en cours de développement. Ces potentiels peuvent être formés sur de grands ensembles de données de forces et d'énergies DFT et ensuite utilisés pour exécuter des simulations de dynamique moléculaire sur des systèmes à milliards d'atomes.

Préformés sur des bases de données massives de divers composés inorganiques, ces modèles peuvent être affinés sur des ensembles de données relativement petits de stockage d'hydrogène pour obtenir une précision élevée même avec des données limitées. La suite de référence Matbench fournit des tâches normalisées pour comparer ces modèles, et les prévisions de stockage d'hydrogène sont déjà incluses comme cible.

Une autre orientation prometteuse est l'intégration de la quantification de l'incertitude. Les réseaux neuronaux bayésiens ou les processus gaussiens peuvent produire non seulement une valeur prédite mais aussi un intervalle de confiance. Cela permet aux chercheurs de classer les candidats par récompense potentielle par rapport au risque, en concentrant l'effort expérimental sur des matériaux où le modèle est confiant mais encore prometteur, ou sur des matériaux à haute performance prédite mais à forte incertitude (pour l'exploration).

Enfin, le couplage des calculs des premiers principes avec la modélisation thermodynamique (par exemple, CALPHAD) et les simulations de transport à l'échelle du continuum permettra de prédire la performance complète du système, et non seulement les propriétés du matériau.

Conclusion

Les calculs des premiers principes ont fourni une base solide pour comprendre les interactions hydrogène avec les matériaux solides à l'échelle atomique. Les modèles prédictifs construits sur cette base, enrichis par l'apprentissage automatique, permettent désormais le dépistage rapide de milliers de composés candidats, identifiant des hydrures, des cadres et des alliages prometteurs qui auraient pris des années à découvrir par l'expérience seule. L'intégration de données DFT à haut débit, la proueurisation avancée et la validation expérimentale itérative ont déjà produit plusieurs découvertes validées et réduit le coût et le temps de développement des matériaux. Des défis subsistent, en particulier dans la précision du transfert entre classes de matériaux et l'inclusion d'effets dynamiques.