L’intelligence artificielle au service de l’optimisation des cellules solaires

Les énergies renouvelables occupent une place prépondérante dans la transition énergétique mondiale. Le développement de nouvelles technologies solaires se heurte cependant à des processus de test longs et coûteux. Une équipe de chercheurs a récemment mis au point une méthode innovante basée sur l’apprentissage automatique, visant à accélérer considérablement ces tests.

L’équipe de Johns Hopkins, dirigée par Kevin Lee, doctorant en cinquième année, a développé une méthode d’apprentissage automatique qui promet d’accélérer le processus de test des cellules solaires. Cette innovation pourrait grandement faciliter le développement de technologies d’énergie propre.

«Notre travail démontre que l’apprentissage automatique peut rationaliser le processus de test des cellules solaires. Cela permet non seulement d’économiser du temps et des ressources, mais ouvre également de nouvelles possibilités pour le développement de technologies d’énergie propre.» a indiqué Kevin Lee.

Une approche novatrice basée sur l’apprentissage automatique

La commercialisation de nouveaux matériaux et dispositifs solaires est freinée par le long cycle de fabrication-test-itération. L’optimisation d’un nouveau matériau de cellule solaire pour le marché représente un processus ardu : après la fabrication d’un dispositif, de multiples mesures chronophages sont nécessaires pour comprendre les propriétés du matériau. Ces données sont ensuite utilisées pour ajuster le processus de fabrication, répétant ainsi le cycle.

La nouvelle méthode réduit considérablement ce temps en extrayant toutes les caractéristiques importantes des matériaux à partir d’une seule mesure. Contrairement à d’autres méthodes entraînées sur des données simulées par ordinateur – qui produisent souvent des résultats inexacts – l’approche de l’équipe de Hopkins utilise des données du monde réel.

Le réseau neuronal développé par l’équipe collecte des milliers de points de données à partir d’une seule cellule solaire, capturant des propriétés complexes et des variations causées par des défauts, tels que des stries de spin-casting, des fissures et des contaminants. Cette méthode élimine la nécessité de fabriquer des milliers de cellules solaires.

«La méthode de Kevin a le potentiel d’accélérer les temps de développement photovoltaïque. Au lieu de faire laborieusement de multiples mesures sur de nombreux dispositifs pour apprendre ce que vous devez savoir sur le comportement du dispositif, Kevin, grâce à son algorithme d’apprentissage automatique, peut maintenant vous dire tout ce que vous voudriez savoir sur un dispositif et ses propriétés à partir d’une seule mesure qui prend environ 30 secondes.» a commenté Susanna Thon, professeure associée de génie électrique et informatique à l’École d’ingénierie Whiting de JHU.

Une innovation applicable au-delà du solaire

L’autre caractéristique novatrice du système de Lee réside dans sa capacité à prendre des cartes spatiales de données provenant de cellules solaires et à les convertir en images. Cette approche permet d’exploiter des modèles d’apprentissage automatique avancés développés pour des applications non liées à la science des matériaux, mais à la vision par ordinateur, afin d’apprendre les modèles de comportement des cellules solaires.

Un autre avantage de cette nouvelle méthode est son applicabilité à divers matériaux et dispositifs au-delà des cellules solaires, ce qui pourrait accélérer le délai entre la découverte des matériaux et leur adoption par le marché.

: «En théorie, le système que nous avons développé pourrait être utilisé pour mesurer d’autres dispositifs, tels que les transistors et les capteurs de lumière. Le temps gagné et la précision de ce système pourraient conduire à la création beaucoup plus rapide d’une large gamme de nouvelles technologies, ce que je suis impatient de voir se produire.» a conclu le doctorant Lee.

Légende illustration : Dans cette nouvelle méthode, l’instrument de balayage (à droite) est utilisé pour mesurer le courant et les cartes optiques (en bas à gauche) des réseaux de cellules solaires (en haut à gauche).

Article : « Une nouvelle méthode basée sur l’IA permet d’extraire toutes les caractéristiques importantes des cellules solaires en 30 secondes. L’innovation promet d’accélérer considérablement le développement de solutions énergétiques durables. » – DOI: 10.1002/aisy.202400310