L’un des enjeux actuels dans le domaine des batteries, pour gagner en efficacité, sécurité, et économie, est l’amélioration de la performance des électrolytes liquides. Des avancées récentes concernent notamment des milieux superconcentrés tels que les solutions WIS
(“Water-In-Salts”). Leurs propriétés dépendent de manière cruciale de la chimie et de la physique des interfaces entre l’eau et les ions (Li+ pour les batteries lithium-ion mais aussi Na+, K+, Zn2+), à distance mais aussi à proximité des électrodes.

La modélisation à l'échelle atomique de ces électrolytes liquides superconcentrés impose d’étudier des structures nanoscopiques et des phénomènes se déroulant sur des temps longs. Une solution pertinente consiste à construire des potentiels par apprentissage automatique (machine learning) basés sur des trajectoires de dynamique moléculaire ab initio (AIMD). En effet, cette méthode combine à la fois une description précise des interactions entre ions et molécules d'eau, incluant aussi les ruptures et formations de liaisons chimiques, et une vitesse de calcul rapide. En particulier, le kit DeePMD a été récemment porté avec succès sur des architectures GPUs, ouvrant la voie aux calculs sur des superordinateurs exaflopiques (dont la puissance dépasse 10^18 opérations en virgule flottante par seconde).
Cette étude théorique s’appuiera sur une contrepartie expérimentale, grâce à une collaboration directe avec une équipe de l’unité spécialisée en électrochimie.