Optimisation pilotée par l’IA du stockage d’hydrogène dans des adsorbants carbonés poreux

Pourquoi un meilleur stockage de l’hydrogène est important

L’hydrogène est souvent présenté comme un carburant propre pour les voitures, les camions et les bus, car lorsqu’il est utilisé il produit principalement de l’eau plutôt que des gaz à effet de serre. Le problème est qu’il est très difficile de stocker suffisamment d’hydrogène dans un véhicule de façon sûre et économique. Cette étude examine comment l’intelligence artificielle peut aider les scientifiques à concevoir de meilleurs matériaux carbonés en forme d’éponge qui retiennent plus d’hydrogène, rendant potentiellement les transports à hydrogène plus pratiques.

Comment les éponges de carbone retiennent l’hydrogène

Les matériaux étudiés sont des carbones très poreux qui fonctionnent comme des éponges solides. Au lieu d’absorber de l’eau, ils attirent les molécules d’hydrogène sur leurs surfaces internes. Plus ces carbones possèdent de surface interne et plus la taille de leurs pores est adaptée à l’hydrogène, plus ils peuvent stocker de carburant. Les approches traditionnelles reposent sur l’essai-erreur : modifier le procédé de fabrication du carbone, mesurer la capacité d’adsorption d’hydrogène à certaines pressions et températures, puis répéter. Ce processus est lent, coûteux et limité par le nombre d’échantillons que les chercheurs peuvent tester.

Apprendre à partir d’expériences passées

Pour accélérer les choses, les auteurs ont rassemblé 917 points de données issus de nombreuses études antérieures sur le stockage d’hydrogène dans des carbones poreux. Chaque entrée reliait la méthode de fabrication et la structure d’un carbone à la quantité d’hydrogène stockée dans des conditions données. Ils ont entraîné deux modèles d’apprentissage automatique sur cet ensemble : l’un basé sur des arbres de décision et l’autre inspiré des réseaux de reconnaissance d’images. Même si les données ne sont que numériques, le réseau neuronal a appris des motifs pertinents et a prédit avec une grande précision le stockage d’hydrogène lorsqu’on l’a testé sur des entrées inédites mais relevant des mêmes gammes de pression, température et propriétés matérielles.

Laisser l’IA chercher de meilleures conceptions

Une fois que le réseau neuronal a pu prédire de façon fiable l’adsorption d’hydrogène, l’équipe l’a couplé à un outil d’optimisation automatisé. Plutôt que de se demander uniquement « pour ce matériau, combien d’hydrogène sera stocké ? », ils ont inversé la question : « quelle combinaison de caractéristiques du matériau et de conditions opératoires donnera le meilleur stockage ? ». Le logiciel a fait varier des facteurs comme la surface spécifique, les petits volumes de pores et la pression du gaz tout en suivant une mesure globale de la taille des pores. Il a cherché des compromis équilibrés qui augmenteraient la quantité d’hydrogène stockée tout en maintenant des pores assez petits pour être réalistes pour des carbones.

Concilier performance et réalisme physique

L’optimisation a produit un ensemble d’arbitrages « juste ce qu’il faut », connu sous le nom de front de Pareto, où améliorer encore le stockage d’hydrogène nécessiterait de sacrifier le contrôle de la taille des pores, et vice versa. Certaines des valeurs de stockage les plus élevées prédites exigeaient de pousser la surface spécifique et la taille des pores au-delà de ce qui a réellement été fabriqué en laboratoire, si bien que les auteurs les considèrent comme des limites théoriques plutôt que comme des promesses. Lorsqu’ils ont limité la recherche à des surfaces spécifiques plus réalistes et à une température d’essai courante pour le stockage d’hydrogène, les meilleures conceptions prédites correspondaient aux connaissances expérimentales, tout en indiquant des objectifs ambitieux mais plausibles pour de futurs matériaux. Cela montre que l’IA peut suggérer de nouvelles recettes dignes d’être testées, et pas seulement expliquer des données existantes.

Ce que cela signifie pour l’énergie propre

Pour un lecteur non spécialiste, le message principal est que les ordinateurs peuvent désormais aider à concevoir de meilleurs « réservoirs » solides pour l’hydrogène en apprenant à partir de résultats dispersés sur de nombreuses études. L’approche utilisée combine prédiction et recherche intelligente pour mettre en évidence des structures carbonées qui devraient stocker plus d’hydrogène sans recourir à des suppositions hasardeuses. Si les prédictions les plus extrêmes doivent encore être vérifiées en laboratoire, ce travail fournit une feuille de route pour réduire l’essai-erreur et pourrait aider les ingénieurs à se rapprocher de systèmes de stockage d’hydrogène qui s’intègrent dans les véhicules futurs de manière sûre et efficace.

Citation: Rocha, H.R.O., Romanos, J., Abou Dargham, S. et al. AI-driven optimization of hydrogen storage in porous carbon adsorbents. Sci Rep 16, 15143 (2026). https://doi.org/10.1038/s41598-026-45915-1

Mots-clés: stockage d’hydrogène, carbone poreux, apprentissage automatique, matériaux pour l’énergie, adsorption de gaz