Les cellules solaires en pérovskite ont gagné un énorme élan dans la recherche d’énergie solaire moins chère et plus efficace. Cependant, les matériaux se dégradent avec le temps, limitant leur utilisation commerciale à grande échelle. Pour surmonter l’un des plus grands obstacles à la commercialisation des cellules solaires en pérovskite, Marina Leite, professeure en sciences et génie des matériaux à l’Université de Californie à Davis, et une équipe interdisciplinaire de chercheurs exploitent l’IA.
Dans un article publié dans Advanced Materials, les chercheurs ont démontré comment l’IA peut considérablement accélérer les avancées de la recherche. Au lieu de se fier uniquement à des expérimentations par essais et erreurs, l’équipe a utilisé l’IA pour apprendre de milliers d’expériences automatisées et prédire avec précision comment de nouvelles compositions de matériaux réagiront à la chaleur, un facteur de stress environnemental important, afin d’identifier plus rapidement les matériaux les plus prometteurs.
La recherche de pérovskites stables
Comparées aux cellules solaires en silicium conventionnelles, les pérovskites sont plus légères, plus flexibles, moins coûteuses à fabriquer et très efficaces. Cependant, elles sont instables face à des facteurs de stress environnementaux tels que la chaleur, l’humidité et la lumière, ce qui limite leur évolutivité.
« Notre communauté scientifique s’intéresse beaucoup à la compréhension des processus chimiques et physiques qui déterminent la stabilité, ou l’instabilité, de ces matériaux », explique Leite.
Tester chaque composition de matériau pérovskite possible dans toutes les conditions environnementales serait quasiment impossible. Au lieu de cela, l’équipe de Leite s’est demandé si l’IA pouvait apprendre à reconnaître des schémas et à prédire le comportement à partir d’un sous-ensemble soigneusement sélectionné d’expériences.
L’équipe a testé 10 compositions de pérovskite en les exposant à des cycles de température répétés, ce qui a donné 137 000 mesures uniques. Les mesures ont été utilisées pour entraîner des modèles d’apprentissage automatique capables de prédire avec précision comment des compositions de matériaux non testées réagiraient à un chauffage répété.
À partir de ces prédictions, les chercheurs ont identifié les compositions les plus stables thermiquement. Les compositions avec des niveaux plus faibles de césium, un métal alcalin extrêmement réactif, récupéraient généralement après un chauffage répété, tandis que les compositions avec une teneur en césium plus élevée étaient plus susceptibles de se dégrader de manière permanente.
L’IA : un partenaire de recherche
Les résultats fournissent aux chercheurs une feuille de route pour développer des cellules solaires en pérovskite plus durables. Au lieu de tester expérimentalement des milliers de recettes possibles, ils peuvent désormais concentrer leurs efforts sur les candidats les plus susceptibles de résister aux conditions de fonctionnement réelles.
« L’IA ne remplace pas les expériences dans notre recherche », affirme Leite. « Elle peut plutôt être utilisée pour accroître l’efficacité de la découverte scientifique. »
Leite et ses collaborateurs ont utilisé l’IA pour apprendre des relations à partir d’un ensemble limité d’expériences à haut débit. En utilisant les algorithmes appropriés, l’IA a pu prévoir avec précision le comportement de réponse au stress des pérovskites halogénures dans des conditions non mesurées auparavant.
Finalement, Leite espère que la même approche pourra être utilisée pour prédire comment les matériaux pérovskites se comporteront dans différents climats à travers le monde, aidant les chercheurs à concevoir des cellules solaires adaptées aux conditions de fonctionnement réelles et ouvrant la voie à une énergie solaire plus efficace.
« Notre mise en œuvre réussie de modèles d’apprentissage automatique pour analyser les expériences est une démonstration importante de la manière dont l’IA peut être véritablement utile. »
Les co-auteurs de l’article incluent Abigail Hering et Mansha Dubey, doctorants en sciences et génie des matériaux à UC Davis ; Meghna Srivastava, ancienne diplômée en sciences et génie des matériaux ; Elahe Hosseini, doctorante, et le professeur Houman Homayoun du département de génie électrique et informatique à UC Davis ; ainsi que Yu An et Juan-Pablo Correa-Baena du Georgia Institute of Technology.
Article : High-Accuracy Machine Learning Projections of Composition-Dependent Thermal Stability in Halide Perovskites – Journal : Advanced Materials – DOI : Lien vers l’étude
Source : UC Davis
