Dans toute batterie, un liquide électrolyte circule, et la manière dont les ions s'y bousculent détermine la quantité d'énergie que la batterie peut fournir et sa durée de vie. Autrefois, pour observer cette foule, il fallait soit mener de longues expériences, soit lancer des calculs ultra-précis qui dévorent des semaines de temps de calcul. Désormais, une troisième voie s'offre : un modèle qui apprend à partir de millions d'exemples et produit une image presque instantanément.

Les auteurs de l'étude ont pris deux de ces modèles. L'un a été entraîné sur des cristaux inorganiques — il connaît le monde des solides. L'autre a été entraîné sur l'ensemble OMol25, qui contient des dizaines de millions de configurations moléculaires, y compris celles que l'on trouve dans les électrolytes. Il s'est avéré que le modèle « moléculaire » prédit la densité et les facteurs de structure aux rayons X nettement mieux que le modèle « cristallin ».

Ensuite, le modèle a montré comment la solvatation varie selon la composition : quel cation, quel anion, quelle quantité de sel, quelle forme a la molécule de solvant. Par exemple, pour les électrolytes à base de glyme, même une légère modification de la topologie du solvant réorganise sensiblement les corrélations ioniques. Une telle sensibilité aux détails échappait auparavant aux modèles grossiers.

Désormais, les ingénieurs peuvent passer en revue les compositions d'électrolytes sur ordinateur, comme des pièces de jeu de construction, et ne tester en laboratoire que les meilleures options. Cela accélère la recherche de batteries au sodium sûres et à haute capacité — et le sodium est bien plus abondant que le lithium.