Dans cette étude, les chercheurs ont démontré qu’en alimentant les algorithmes d’apprentissage automatique avec des ensembles de données expérimentales à haut débit, il est possible de récupérer des modèles prédictifs des performances des cellules solaires organiques
Savoir comment prévoir la composition spécifique et la conception des cellules qui permettraient d’obtenir des performances optimales est l’un des plus grands problèmes non résolus de la science des matériaux. Cela est dû en partie au fait que les performances du dispositif dépendent de multiples facteurs.
Aujourd’hui, des chercheurs de l’Institut des sciences des matériaux de Barcelone, spécialisés dans les matériaux pour applications énergétiques, ont collaboré avec des chercheurs de l’Université Rovira i Virgili spécialisés dans l’intelligence artificielle, afin de combiner les points de données expérimentales qu’ils recueillent avec des algorithmes d’intelligence artificielle et de permettre une capacité de prédiction sans précédent des performances des cellules solaires organiques.
Les chercheurs de l’ICMAB, dirigés par Mariano Campoy-Quiles, ont généré plusieurs ensembles de données en utilisant une nouvelle méthode expérimentale qui leur permet d’avoir un grand nombre d’échantillons en un seul, ce qui accélère le temps par rapport aux méthodes conventionnelles. Ensuite, des modèles d’apprentissage automatique sont utilisés pour tirer des enseignements de ces ensembles de données et prédire les performances d’un nombre encore plus important de matériaux, comme les nouveaux semi-conducteurs organiques synthétisés par le groupe du professeur Martin Heeney à l’Imperial College de Londres.
Cette étude pourrait être la première d’une longue série dans le domaine combinant l’intelligence artificielle et des expériences à haut débit pour prédire les conditions optimales de certains matériaux et dispositifs.
Obtention de plusieurs points de données expérimentales
L’un des aspects clés de cette étude est que les chercheurs sont capables de générer des ensembles de données importants et significatifs avec un effort expérimental minimal. C’est un aspect important pour le succès de la modélisation de l’apprentissage machine afin d’obtenir des modèles et des prévisions précis et fiables.
Les chercheurs utilisent une méthodologie basée sur le criblage combinatoire dans laquelle ils génèrent des échantillons avec des gradients dans les paramètres qui affectent principalement la performance des cellules solaires organiques (c’est-à-dire la composition et l’épaisseur).
« Lorsqu’on utilise une méthode conventionnelle, un échantillon ne fournit des informations que sur un seul point. Cependant, en utilisant notre méthodologie, nous pouvons obtenir entre 10 et 1000 fois plus de points. Cela permet, d’une part, d’évaluer le potentiel photovoltaïque d’un matériau environ 50 fois plus rapidement qu’avec les méthodes conventionnelles. D’autre part, elle fournit de grandes statistiques et un énorme ensemble de données (des centaines de milliers de points) qui nous permettent d’entraîner de manière fiable différents algorithmes d’intelligence artificielle« , explique Mariano Campoy-Quiles, chercheur de l’ICMAB et co-auteur de cette étude.
Des algorithmes d’intelligence artificielle pour prédire 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-à-dire aux ordinateurs) la capacité d’apprendre à partir d’un ensemble de données donné, mais pas nécessairement de prendre des décisions autonomes. Ici, nous exploitons la vision plus statistique de l’IA pour tirer des modèles prédictifs de nos grands ensembles de données expérimentales » explique Xabier Rodríguez- Martínez, chercheur de l’ICMAB et premier auteur de l’étude.
Les algorithmes d’intelligence artificielle dans le domaine de la science des matériaux sont principalement utilisés pour rechercher des modèles de comportement et pour développer des modèles prédictifs du comportement d’une famille de matériaux pour une application donnée. Pour ce faire, un algorithme est d’abord formé en l’exposant à des données réelles afin de générer un algorithme modèle. Le modèle est ensuite validé avec d’autres points de données non utilisés pour créer le modèle, mais provenant de la même catégorie de matériaux. Une fois validé, l’algorithme est appliqué pour prédire le comportement d’autres matériaux similaires qui ne font pas partie de l’ensemble de formation ou de validation.
Dans cette étude spécifique, les algorithmes d’IA sont formés avec des milliers de points obtenus avec la méthode à haut débit pour évaluer et prédire les différents facteurs qui déterminent l’efficacité d’une cellule solaire organique.
Réalisations et défis futurs
Ce travail représente deux grandes réalisations. D’une part, le développement de modèles d’IA qui prédisent comment l’efficacité dépend de nombreux paramètres organiques des cellules solaires. Le degré de prédiction est très élevé, même pour les matériaux qui n’ont pas été utilisés dans la série de formation.
« Le second point important est que grâce à l’IA, nous avons déterminé 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 déterminent la composition optimale sont l’écart électronique de chaque matériau, ainsi que l’équilibre du transport de charge dans chacun d’eux« .
Les chercheurs estiment que les résultats et la méthodologie développés dans cette étude sont très importants pour guider les chercheurs théoriciens quant aux éléments à prendre en compte lors du développement de futurs modèles analytiques qui tentent de déterminer l’efficacité d’un système donné.
« Notre prochain défi est de comprendre des systèmes beaucoup plus complexes. Plus le système est complexe, plus l’IA peut être 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
