Des chercheurs de la faculté des sciences appliquées et de génie de l’Université de Toronto et de Fujitsu ont appliqué l’informatique d’inspiration quantique pour découvrir la famille chimique prometteuse et jusque-là inexplorée du Ru-Cr-Mn-Sb-O2 comme catalyseurs de réaction de dégagement d’oxygène acide pour la production d’hydrogène.
Le meilleur catalyseur montre une activité massique huit fois supérieure à celle du RuO de pointe2 et maintient les performances pendant 180 h. Un article sur leur travail paraît dans la revue Question.
Choubisa et coll.
Accroître la production de ce que nous appelons l’hydrogène vert est une priorité pour les chercheurs du monde entier, car il offre un moyen sans carbone de stocker de l’électricité à partir de n’importe quelle source. Ce travail fournit la preuve de concept d’une nouvelle approche pour surmonter l’un des principaux défis restants, à savoir le manque de matériaux catalyseurs hautement actifs pour accélérer les réactions critiques.
—Ted Sargent, auteur principal
Presque tout l’hydrogène commercial est produit à partir de gaz naturel. Le processus produit du dioxyde de carbone comme sous-produit; si le CO2 est évacué dans l’atmosphère, le produit est appelé hydrogène gris, mais si le CO2 est capté et stocké, il est appelé hydrogène bleu. L’hydrogène vert est une méthode sans carbone qui utilise un électrolyseur pour séparer l’eau en hydrogène et en oxygène gazeux. Le faible rendement des électrolyseurs disponibles signifie que la majeure partie de l’énergie dans l’étape de séparation de l’eau est gaspillée sous forme de chaleur, plutôt que d’être capturée dans l’hydrogène.
Les chercheurs du monde entier s’efforcent de trouver de meilleurs matériaux catalyseurs qui peuvent améliorer cette efficacité. Étant donné que chaque matériau catalyseur potentiel peut être constitué de plusieurs éléments chimiques différents, combinés de diverses manières, le nombre de permutations possibles devient rapidement écrasant.
Une façon de le faire est par l’intuition humaine, en recherchant quels matériaux d’autres groupes ont fabriqués et en essayant quelque chose de similaire, mais c’est assez lent. Une autre façon consiste à utiliser un modèle informatique pour simuler les propriétés chimiques de tous les matériaux potentiels que nous pourrions essayer, en partant des premiers principes. Mais dans ce cas, les calculs deviennent vraiment complexes et la puissance de calcul nécessaire pour exécuter le modèle devient énorme.
—Jehad Abed, co-auteur principal
Pour trouver un moyen de s’en sortir, l’équipe s’est tournée vers le domaine émergent de l’informatique d’inspiration quantique. Ils ont fait usage de la Recuit numériqueun outil créé à la suite d’une collaboration de longue date entre U of T Engineering et Fujitsu Research. Cette collaboration a également abouti à la création du Fujitsu Co-Creation Research Laboratory à l’Université de Toronto.
Digital Annealer (DA) est une architecture informatique développée pour résoudre rapidement des problèmes d’optimisation combinatoire à grande échelle en utilisant la technologie numérique CMOS. DA est unique en ce sens qu’il utilise une conception de circuit numérique inspirée des phénomènes quantiques et peut résoudre des problèmes très difficiles et chronophages, voire impossibles à résoudre pour les ordinateurs classiques.
Digital Annealer s’inspire de la mécanique quantique, mais contrairement aux ordinateurs quantiques, il ne nécessite pas de températures cryogéniques. DA utilise une méthode appelée recuit, du nom du processus de recuit utilisé en métallurgie. Au cours de cette procédure, le métal est chauffé à une température élevée avant que la structure ne se stabilise alors qu’il est lentement refroidi à un état plus stable et à plus faible énergie.
En utilisant l’analogie de placer des blocs dans une boîte, dans l’approche informatique classique, les blocs sont placés en séquence. Si une solution n’est pas trouvée, le processus est redémarré et répété jusqu’à ce qu’une solution soit trouvée. Avec l’approche de recuit, les blocs sont placés au hasard et l’ensemble du système est « secoué ». Au fur et à mesure que les secousses diminuent, le système devient plus stable car les formes s’emboîtent rapidement.
DA est conçu pour résoudre des problèmes d’optimisation binaire quadratique sans contrainte (QUBO) entièrement connectés et est implémenté sur du matériel CMOS. Le Digital Annealer de deuxième génération étend l’échelle des problèmes pouvant être résolus des 1 024 bits de la première génération, lancée en mai 2018, à 8 192 bits et une augmentation de la précision de calcul.
Cela conduit à des gains substantiels de précision et de performances pour une résolution de problèmes améliorée et de nouvelles applications, multipliant par cent la complexité à laquelle le Digital Annealer de deuxième génération peut désormais faire face. Son algorithme est basé sur le recuit simulé, mais tire également parti de la parallélisation massive activée par le matériel CMOS personnalisé spécifique à l’application.
Le Digital Annealer est un hybride de matériel et de logiciel unique conçu pour être très efficace pour résoudre les problèmes d’optimisation combinatoire. Ces problèmes incluent la recherche de l’itinéraire le plus efficace entre plusieurs emplacements sur un réseau de transport ou la sélection d’un ensemble d’actions pour constituer un portefeuille équilibré. Rechercher parmi différentes combinaisons d’éléments chimiques pour trouver un catalyseur avec les propriétés souhaitées est un autre exemple, et c’était un défi parfait à relever pour notre Digital Annealer.
—Hidetoshi Matsumura, chercheur principal chez Fujitsu Consulting (Canada)
Dans l’article, les chercheurs ont utilisé une technique appelée expansion de cluster pour analyser un nombre énorme de conceptions potentielles de matériaux catalyseurs – ils estiment le total à un nombre de l’ordre de centaines de quadrillions. Pour la perspective, un quadrillion est approximativement le nombre de secondes qui passeraient en 32 millions d’années.
Les recuits quantiques et les optimiseurs similaires d’inspiration quantique ont le potentiel de fournir un calcul accéléré pour certains défis d’optimisation combinatoire. Cependant, ils n’ont pas été exploités pour la découverte de matériaux en raison de l’absence de méthodes de cartographie d’optimisation compatibles. Ici, en combinant l’expansion des grappes avec une technique de superposition d’inspiration quantique, nous exploitons pour la première fois les recuits quantiques dans l’exploration spatiale chimique. Cette approche nous permet d’accélérer la recherche de matériaux aux propriétés souhaitables 10 à 50 fois plus rapidement que les algorithmes génétiques et les optimisations bayésiennes, avec une amélioration significative de la précision de la prédiction de l’état fondamental.
—Choubisa et coll.
Les résultats ont pointé vers une famille prometteuse de matériaux composés de ruthénium, de chrome, de manganèse, d’antimoine et d’oxygène, qui n’avaient pas été explorés auparavant par d’autres groupes de recherche.
L’équipe a synthétisé plusieurs de ces composés et a découvert que les meilleurs d’entre eux présentaient une activité de masse environ huit fois supérieure à celle de certains des meilleurs catalyseurs actuellement disponibles.
Le nouveau catalyseur présente également d’autres avantages : il fonctionne bien dans des conditions acides, ce qui est une exigence des conceptions d’électrolyseurs de pointe. Actuellement, ces électrolyseurs dépendent de catalyseurs constitués en grande partie d’iridium, qui est un élément rare et coûteux à obtenir. En comparaison, le ruthénium, composant principal du nouveau catalyseur, est plus abondant et a un prix de marché inférieur.
L’équipe vise à optimiser davantage la stabilité du nouveau catalyseur avant qu’il puisse être testé dans un électrolyseur. Pourtant, les derniers travaux servent de démonstration de l’efficacité de la nouvelle approche de la recherche de l’espace chimique.
Je pense que ce qui est excitant dans ce projet, c’est qu’il montre comment résoudre des problèmes vraiment complexes et importants en combinant l’expertise de différents domaines. Pendant longtemps, les scientifiques des matériaux ont recherché ces catalyseurs plus efficaces et les informaticiens ont conçu des algorithmes plus efficaces, mais les deux efforts ont été déconnectés. Lorsque nous les avons réunis, nous avons pu trouver très rapidement une solution prometteuse. Je pense qu’il y a beaucoup plus de découvertes utiles à faire de cette façon.
—Hitarth Choubisa, co-auteur principal
Ressources
-
Hitarth Choubisa, Jehad Abed, Douglas Mendoza, Hidetoshi Matsumura, Masahiko Sugimura, Zhenpeng Yao, Ziyun Wang, Brandon R. Sutherland, Alán Aspuru-Guzik, Edward H. Sargent (2022) approche,” Question est ce que je: 10.1016/j.matt.2022.11.031