Apprentissage automatique pour prédire les performances des cellules solaires organiques

Dans cette Ă©tude, les chercheurs ont dĂ©montrĂ© qu’en alimentant les algorithmes d’apprentissage automatique avec des ensembles de donnĂ©es expĂ©rimentales Ă  haut dĂ©bit, il est possible de rĂ©cupĂ©rer des modèles prĂ©dictifs des performances des cellules solaires organiques

Savoir comment prĂ©voir la composition spĂ©cifique et la conception des cellules qui permettraient d’obtenir des performances optimales est l’un des plus grands problèmes non rĂ©solus de la science des matĂ©riaux. Cela est dĂ» en partie au fait que les performances du dispositif dĂ©pendent de multiples facteurs.

Aujourd’hui, des chercheurs de l’Institut des sciences des matĂ©riaux de Barcelone, spĂ©cialisĂ©s dans les matĂ©riaux pour applications Ă©nergĂ©tiques, ont collaborĂ© avec des chercheurs de l’UniversitĂ© Rovira i Virgili spĂ©cialisĂ©s dans l’intelligence artificielle, afin de combiner les points de donnĂ©es expĂ©rimentales qu’ils recueillent avec des algorithmes d’intelligence artificielle et de permettre une capacitĂ© de prĂ©diction sans prĂ©cĂ©dent des performances des cellules solaires organiques.

Les chercheurs de l’ICMAB, dirigĂ©s par Mariano Campoy-Quiles, ont gĂ©nĂ©rĂ© plusieurs ensembles de donnĂ©es en utilisant une nouvelle mĂ©thode expĂ©rimentale qui leur permet d’avoir un grand nombre d’Ă©chantillons en un seul, ce qui accĂ©lère le temps par rapport aux mĂ©thodes conventionnelles. Ensuite, des modèles d’apprentissage automatique sont utilisĂ©s pour tirer des enseignements de ces ensembles de donnĂ©es et prĂ©dire les performances d’un nombre encore plus important de matĂ©riaux, comme les nouveaux semi-conducteurs organiques synthĂ©tisĂ©s par le groupe du professeur Martin Heeney Ă  l’Imperial College de Londres.

Cette Ă©tude pourrait Ăªtre la première d’une longue sĂ©rie dans le domaine combinant l’intelligence artificielle et des expĂ©riences Ă  haut dĂ©bit pour prĂ©dire les conditions optimales de certains matĂ©riaux et dispositifs.

Obtention de plusieurs points de données expérimentales

L’un des aspects clĂ©s de cette Ă©tude est que les chercheurs sont capables de gĂ©nĂ©rer des ensembles de donnĂ©es importants et significatifs avec un effort expĂ©rimental minimal. C’est un aspect important pour le succès de la modĂ©lisation de l’apprentissage machine afin d’obtenir des modèles et des prĂ©visions prĂ©cis et fiables.

Les chercheurs utilisent une mĂ©thodologie basĂ©e sur le criblage combinatoire dans laquelle ils gĂ©nèrent des Ă©chantillons avec des gradients dans les paramètres qui affectent principalement la performance des cellules solaires organiques (c’est-Ă -dire la composition et l’Ă©paisseur).

« Lorsqu’on utilise une mĂ©thode conventionnelle, un Ă©chantillon ne fournit des informations que sur un seul point. Cependant, en utilisant notre mĂ©thodologie, nous pouvons obtenir entre 10 et 1000 fois plus de points. Cela permet, d’une part, d’Ă©valuer le potentiel photovoltaĂ¯que d’un matĂ©riau environ 50 fois plus rapidement qu’avec les mĂ©thodes conventionnelles. D’autre part, elle fournit de grandes statistiques et un Ă©norme ensemble de donnĂ©es (des centaines de milliers de points) qui nous permettent d’entraĂ®ner de manière fiable diffĂ©rents algorithmes d’intelligence artificielle« , explique Mariano Campoy-Quiles, chercheur de l’ICMAB et co-auteur de cette Ă©tude.

Des algorithmes d’intelligence artificielle pour prĂ©dire le comportement

« Dans le vaste domaine de l’IA, nous appliquons dans ce travail l’apprentissage machine, terme qui regroupe toutes sortes d’algorithmes qui confèrent aux machines (c’est-Ă -dire aux ordinateurs) la capacitĂ© d’apprendre Ă  partir d’un ensemble de donnĂ©es donnĂ©, mais pas nĂ©cessairement de prendre des dĂ©cisions autonomes. Ici, nous exploitons la vision plus statistique de l’IA pour tirer des modèles prĂ©dictifs de nos grands ensembles de donnĂ©es expĂ©rimentales » explique Xabier RodrĂ­guez- MartĂ­nez, chercheur de l’ICMAB et premier auteur de l’Ă©tude.

Les algorithmes d’intelligence artificielle dans le domaine de la science des matĂ©riaux sont principalement utilisĂ©s pour rechercher des modèles de comportement et pour dĂ©velopper des modèles prĂ©dictifs du comportement d’une famille de matĂ©riaux pour une application donnĂ©e. Pour ce faire, un algorithme est d’abord formĂ© en l’exposant Ă  des donnĂ©es rĂ©elles afin de gĂ©nĂ©rer un algorithme modèle. Le modèle est ensuite validĂ© avec d’autres points de donnĂ©es non utilisĂ©s pour crĂ©er le modèle, mais provenant de la mĂªme catĂ©gorie de matĂ©riaux. Une fois validĂ©, l’algorithme est appliquĂ© pour prĂ©dire le comportement d’autres matĂ©riaux similaires qui ne font pas partie de l’ensemble de formation ou de validation.

Dans cette Ă©tude spĂ©cifique, les algorithmes d’IA sont formĂ©s avec des milliers de points obtenus avec la mĂ©thode Ă  haut dĂ©bit pour Ă©valuer et prĂ©dire les diffĂ©rents facteurs qui dĂ©terminent l’efficacitĂ© d’une cellule solaire organique.

Réalisations et défis futurs

Ce travail reprĂ©sente deux grandes rĂ©alisations. D’une part, le dĂ©veloppement de modèles d’IA qui prĂ©disent comment l’efficacitĂ© dĂ©pend de nombreux paramètres organiques des cellules solaires. Le degrĂ© de prĂ©diction est très Ă©levĂ©, mĂªme pour les matĂ©riaux qui n’ont pas Ă©tĂ© utilisĂ©s dans la sĂ©rie de formation.

« Le second point important est que grĂ¢ce Ă  l’IA, nous avons dĂ©terminĂ© quels sont les paramètres physiques qui affectent le plus ce comportement« , dit Mariano Campoy-Quiles, et ajoute « En particulier, nous avons vu que les paramètres les plus critiques qui dĂ©terminent la composition optimale sont l’Ă©cart Ă©lectronique de chaque matĂ©riau, ainsi que l’Ă©quilibre du transport de charge dans chacun d’eux« .

Les chercheurs estiment que les rĂ©sultats et la mĂ©thodologie dĂ©veloppĂ©s dans cette Ă©tude sont très importants pour guider les chercheurs thĂ©oriciens quant aux Ă©lĂ©ments Ă  prendre en compte lors du dĂ©veloppement de futurs modèles analytiques qui tentent de dĂ©terminer l’efficacitĂ© d’un système donnĂ©.

« Notre prochain dĂ©fi est de comprendre des systèmes beaucoup plus complexes. Plus le système est complexe, plus l’IA peut Ăªtre utile » conclut Campoy-Quiles.

Reference:

Xabier Rodríguez-Martínez, Enrique Pascual-San-José, Zhuping Fei, Martin Heeney, Roger Guimerà and Mariano Campoy-Quiles. Predicting the photocurrent-composition dependence in organic solar cells. Energy & Environmental Science, 2021, DOI: 10.1039/D0EE02958K 
Partagez l'article

 

[ Communiqué ]
Lien principal : www.csic.es/
Autre lien : dx.doi.org/10.1039/D0EE02958K

Articles connexes

Souscrire
Me notifier des
guest
0 Commentaires
Inline Feedbacks
Voir tous les commentaires