L’intelligence artificielle pour optimiser les membranes de type MOFs

Les membranes à base de matériaux appelés MOF, pour Metal-Organic Frameworks, suscitent un intérêt toujours croissant dans des domaines aussi variés que la dépollution, la séparation des gaz et la filtration. Leur structure microporeuse, comparable à une éponge à l’échelle nanométrique, leur permet de filtrer ou de séparer très finement des molécules, tant sur base de leur taille que de leur nature chimique. 

Constitués de centres métalliques reliés par des ponts organiques appelés ligands, ces matériaux s'organisent en réseaux cristallins hautement poreux, caractérisés par des surfaces spécifiques exceptionnelles, parfois supérieures à 7 000 m²/g. Leur remarquable versatilité chimique et leurs propriétés d'adsorption modulables en font des candidats de choix pour de nombreuses applications. Le ZIF-8 (Zeolitic Imidazolate Framework-8), constitué d'ions zinc (Zn²⁺) reliés par des ligands 2-méthylimidazolate, est l’un des MOFs les plus emblématiques et les plus largement étudiés, notamment pour la séparation de gaz et la purification de fluides. Sous forme de couche mince continue, il peut agir comme une barrière sélective (membrane), capable de discriminer les molécules selon leur taille (effet de tamisage), leur vitesse de diffusion ou encore leurs interactions avec les parois des pores. 

Cependant, la fabrication de membranes MOF sans défauts demeure un défi majeur, car la moindre fissure ou porosité non contrôlée peut altérer la sélectivité et compromettre les performances de séparation. L’une des stratégies les plus prometteuses consiste à faire croître le MOF à partir d’un oxyde métallique, par exemple en convertissant en ZIF‑8 une fine couche d’oxyde de zinc (ZnO) obtenue par dépôt de couches atomiques (ALD) sur le substrat choisi. La qualité de la membrane obtenue dépend toutefois de nombreux paramètres expérimentaux interdépendants, dont l’optimisation reste complexe.

Pour accélérer l’optimisation des conditions de conversion et mieux comprendre ce processus, une équipe de scientifiques de l’Institut européen des membranes (CNRS/ENSCM/Université de Montpellier) s’est lancée dans une approche fondée sur l’apprentissage automatique combinée à la philosophie du « small data ». Ils ont exploré 68 conditions expérimentales, en faisant varier le solvant, la température et la durée de réaction. Différents algorithmes de classification ont ensuite été mobilisés pour évaluer leur capacité à prédire la qualité de la membrane en fonction des paramètres de conversion. Le meilleur d’entre eux a permis d’atteindre une précision de 92,6 % pour distinguer les bonnes des mauvaises conditions de synthèse. L’analyse des variables montre que le facteur déterminant est le solvant employé, suivi de la température et du temps de réaction. A partir de l’analyse d’un arbre de décisions, les scientifiques ont mis en évidence un seuil critique dans les systèmes à base de méthanol : autour de 80°C, la réaction change nettement de comportement. Cette transition constitue un point clé pour comprendre et optimiser le processus de conversion.

Ces résultats montrent que l’intelligence artificielle peut devenir un outil puissant pour guider la conception de couches membranaires de type MOF. En permettant de sélectionner à l’avance les conditions de synthèse les plus prometteuses, cette approche pourra réduire fortement le nombre d’expériences nécessaires et accélérer le développement de membranes performantes. Ce cadre prédictif, publié dans la revue ACS Applied Materials & Interfaces, pourra être étendu à d’autres familles de MOF et, plus largement, à la fabrication de membranes multifonctionnelles pour des applications complexes.

Rédacteur : AVR