Accélérer la découverte de MOF pour le stockage d’hydrogène via l’apprentissage automatique dans des applications liées à l’énergie

Pourquoi cela compte pour une énergie propre

L’hydrogène est souvent présenté comme le carburant propre de l’avenir, mais un problème pratique persiste : il est très léger, ce qui rend difficile la mise en réserve d’une quantité suffisante dans un réservoir sûr et compact pour voitures, camions ou navires. Cet article montre comment des méthodes informatiques, en particulier l’apprentissage automatique, peuvent trier près de cent mille matériaux poreux avancés, appelés structures métal‑organiques (MOF), pour identifier ceux qui peuvent stocker l’hydrogène de manière dense et efficace. Ce travail ouvre la voie à des moyens plus rapides et moins coûteux d’identifier la prochaine génération de réservoirs d’hydrogène qui pourraient aider la société à se détourner des combustibles fossiles.

Des matériaux éponges sur mesure

Les MOF sont des matériaux cristallins qui ressemblent, au niveau moléculaire, à des échafaudages complexes dotés d’une énorme surface interne et d’un grand vide. Ces minuscules « éponges » peuvent capter et relâcher des molécules de gaz comme l’hydrogène de façon répétée. En remplaçant les blocs métalliques et les liaisons organiques, les chercheurs peuvent régler la taille, la forme et l’ouverture des pores des MOF. Des propriétés telles que la fraction de vide, le volume de pore disponible et la surface exposée aux molécules de gaz s’avèrent plus importantes pour le stockage d’hydrogène que la recette chimique exacte. Le défi vient du fait que, bien que les bases de données contiennent plus de 100 000 structures MOF possibles, seule une petite fraction a été synthétisée et testée en laboratoire, et les simulations informatiques détaillées pour chaque candidat sont très coûteuses.

Laisser les ordinateurs explorer les possibilités

Pour lever ce goulot d’étranglement, les auteurs combinent des simulations de haute précision de l’adsorption de gaz avec l’apprentissage automatique. Ils partent d’une base existante appelée HyMARC, qui recense 98 695 MOF provenant de plusieurs équipes et universités. Pour chaque MOF, ils utilisent des outils de simulation établis afin de calculer combien d’hydrogène il peut contenir puis restituer lors d’un cycle réaliste de « variation température‑pression » : le matériau est rempli d’hydrogène à très basse température et haute pression, puis réchauffé et dépressurisé pour délivrer le gaz. À partir de chaque structure cristalline, ils extraient seulement sept descripteurs géométriques, incluant la densité, le volume de pore, plusieurs mesures de surface et deux diamètres caractéristiques de pore. Ces nombres simples captent l’espace et la surface que les molécules d’hydrogène peuvent explorer à l’intérieur de chaque MOF.

Apprendre aux réseaux neuronaux à juger la capacité de stockage

L’équipe entraîne ensuite deux types de réseaux neuronaux — modèles à propagation avant et modèles de reconnaissance de formes — pour apprendre le lien entre ces sept descripteurs structurels et deux résultats clés : la quantité d’hydrogène stockée en masse (capacité gravimétrique) et en volume (capacité volumétrique). Une méthode d’optimisation inspirée de la physique, appelée Equilibrium Optimizer, ajuste automatiquement la taille et l’agencement de chaque réseau pour minimiser les erreurs de prédiction. Après entraînement sur la majeure partie de la base de données et en réservant une portion pour les tests, les modèles reproduisent les résultats de simulation avec une précision remarquable, en particulier pour la capacité gravimétrique. L’analyse confirme aussi des tendances physiquement sensées : les MOF ayant un volume de pore plus grand et une fraction de vide élevée stockent généralement plus d’hydrogène en masse, tandis que le stockage volumétrique est maximisé à une densité intermédiaire où porosité et compaction sont bien équilibrées.

Identifier les matériaux remarquables dans un champ dense

Armés de ces réseaux entraînés, les chercheurs parcourent rapidement les 98 695 MOF pour signaler les candidats prometteurs, puis vérifient les meilleurs d’entre eux avec des simulations complètes. Ils utilisent un MOF bien connu, appelé MOF‑5, comme point de référence et appliquent aussi les ambitieux objectifs du Département de l’énergie des États‑Unis pour le stockage d’hydrogène. Leur sélection révèle 1 289 MOF qui satisfont ou dépassent simultanément ces objectifs et, au sein de ce groupe, 12 structures qui surpassent MOF‑5 à la fois en performance massique et volumique. Nombre de ces meilleurs éléments partagent des traits similaires — densité modérée, surface importante mais non extrême et fort espace interne vide — et plusieurs proviennent d’une base de données hypothétique constituée par la Northwestern University, soulignant l’intérêt d’explorer des designs encore non synthétisés.

Ce que cela signifie pour les futurs réservoirs d’hydrogène

Concrètement, cette étude montre qu’un petit ensemble de caractéristiques structurelles faciles à calculer, combiné à des réseaux neuronaux bien conçus, peut remplacer des simulations bien plus chronophages lors de la recherche de matériaux de stockage d’hydrogène. L’approche ne garantit pas encore que chaque MOF proposé sera facile à synthétiser ou mécaniquement stable, mais elle réduit considérablement la recherche à une liste restreinte et gérable pour que les chimistes l’explorent. En révélant quels traits géométriques importent le plus et en mettant en lumière des candidats à haute capacité, ce travail rapproche la réalisation de réservoirs d’hydrogène compacts et pratiques et illustre comment des outils fondés sur les données peuvent accélérer la découverte de matériaux pour un système énergétique plus propre.

Citation: Khairandesh, S., Lotfi, M., Larimi, A. et al. Accelerating discovery of MOFs for hydrogen storage via machine learning in energy related applications. Sci Rep 16, 14114 (2026). https://doi.org/10.1038/s41598-026-44340-8

Mots-clés: stockage d’hydrogène, structures métal‑organiques, apprentissage automatique, matériaux poreux, découverte de matériaux énergétiques