Les climatiseurs, réfrigérateurs et systèmes de refroidissement des centres de données dépendent tous de fluides réfrigérant pour transférer la chaleur. Mais nombre de ces produits chimiques sont également de puissants gaz à effet de serre. Notre système d'IA explore l'espace chimique pour générer de nouvelles molécules et accélérer la recherche d'alternatives.
Un seul kilogramme de certains hydrofluorocarbures (HFC) utilisés aujourd'hui comme réfrigérants peut avoir le même effet de réchauffement que 1 000 kg de CO2. Les réfrigérants représentant environ 2% des émissions mondiales de gaz à effet de serre –soit à peu près l'équivalent du secteur de l'aviation–, et avec l’explosion de la demande pour les réfrigerants dans le monde, il est urgent de trouver des alternatives.
RefGen est un système d'IA informé par la physique qui s'aventure au-delà des bases de données chimiques connues pour découvrir des molécules de réfrigérant inconnues qui sont efficaces, sûres et respectueuses de l'environnement. En combinant l'apprentissage automatique avec des principes thermodynamiques, RefGen génère rapidement des centaines de candidats équivalents ou plus performants tout en réduisant considérablement l'impact environnemental.
Trouver un réfrigérant approprié revient à résoudre un puzzle avec des contraintes concurrentes. La molécule idéale doit être thermodynamiquement efficace (pouvoir de refroidissement élevé), sûre (non inflammable, non toxique) et sans danger pour l'environnement (faible potentiel de réchauffement planétaire, ou PRP).
Malgré l’exploration de centaines de milliers de molécules connues, les chercheurs n'ont identifié qu'environ 300 réfrigérants viables qui ont été ou sont encore utilisés — soit pas suffisament de données pour entraîner un modèle d'IA. Une étude marquante a criblé 460 millions de structures et a révélé que l'application simultanée de toutes les contraintes ne produit que 27 candidats, qui sont tous encore inflammables.
Pourquoi si peu de candidats? Car les approches existantes ne recherchent que parmi les molécules que nous connaissons déjà.
Quand l’IA rencontre la physique
RefGen innove sur trois fronts pour accélérer la découverte de molécules.
- Nous avons affiné un modèle de langage open-source sur des millions de structures moléculaires, lui apprenant à générer des molécules valides sous forme de représentations textuelles.
- RefGen utilise la physique en plus de l'apprentissage automatique : les réseaux de neurones prédisent des propriétés fondamentales comme la température critique, la pression et le facteur acentrique, qui alimentent ensuite des modèles thermodynamiques rigoureux. L'équation d'état de Peng-Robinson simule les cycles de compression de vapeur, les polynômes de la NASA calculent les propriétés thermodynamiques réelles et la cinétique chimique estime l'impact environnemental.
- L'apprentissage par renforcement guide le générateur vers des molécules qui équilibrent simultanément l'efficacité, la température critique idéale, la taille appropriée, le faible potentiel de réchauffement climatique et la sécurité. Toutes ces propriétés prédites sont ensuite utilisées pour simuler l'efficacité du candidat dans un équipement de réfrigération standard.
Une récompense de diversité empêche le modèle de générer à plusieurs reprises les mêmes molécules. Cette approche hybride fonctionne avec des données limitées en intégrant des connaissances thermodynamiques dans le système d'IA, permettant des prédictions fiables au-delà de la distribution d'entraînement.
Découvrir de nouveaux réfrigérants
Après avoir généré plus d'un million de molécules et appliqué un filtrage selon des seuils d'experts, RefGen a identifié plus de 800 candidats viables, une augmentation spectaculaire par rapport aux efforts précédents.
De nombreux candidats présentent des performances rivalisant avec le R-410A, l'un des réfrigérants actuels les plus efficaces, tout en réalisant une réduction cent fois supérieure du potentiel de réchauffement planétaire. Fait remarquable, le modèle a correctement découvert des compromis thermodynamiques fondamentaux sans qu'on les lui enseigne explicitement, validant qu'il a appris la physique sous-jacente, et non pas seulement mémorisé des schémas.
RefGen a également exploré avec succès des espaces chimiques inattendus. De nouveaux composés azote-fluor ont montré d'excellentes propriétés, représentant des classes de réfrigérants véritablement nouvelles et introuvables dans les bases de données existantes.
De la découverte à l'expérience
L'étape critique suivante est la validation expérimentale : nous recherchons activement des collaborations avec des chimistes et des ingénieurs chauffage, ventilation et climatisation (CVC) pour synthétiser et tester les meilleurs candidats dans des systèmes de réfrigération réels.
Les travaux futurs intégreront des fonctions de récompense supplémentaires pour la stabilité moléculaire, la synthétisabilité et la toxicité, propriétés essentielles pour le déploiement pratique.
Le processus de mise sur le marche prend des années, mais RefGen accélère considérablement la phase de découverte, fournissant aux chercheurs des centaines de candidats optimisés au lieu de mois de recherche manuelle.
Alors que la demande de refroidissement augmentent parallèlement aux températures mondiales, RefGen démontre comment l'IA peut étendre la compréhension scientifique en intégrant la physique dans l'apprentissage automatique pour accélerer la découverte de matériaux, une molécule à la fois.
Vidéo connexe
