Des scientifiques du College of Engineering de l’Université de Californie à Davis ont recours à l’apprentissage automatique pour trouver de nouveaux matériaux propices aux cellules solaires performantes. Grâce à des expérimentations à haut débit et à des algorithmes fondés sur l’apprentissage automatique, ils ont découvert qu’il était envisageable de prédire avec une grande exactitude le comportement dynamique des matériaux, sans avoir besoin de réaliser autant d’expérimentations.
« Les pérovskites hybrides sont des molécules organiques-inorganiques qui ont fait l’objet d’une grande attention au cours des dix dernières années en raison de leur utilisation potentielle dans le domaine des énergies renouvelables« , a déclaré Marina Leite, professeur agrégé de science et d’ingénierie des matériaux à l’UC Davis et auteur principal de l’article.
Certains ont une efficacité comparable à celle du silicium pour la fabrication de cellules solaires, mais ils sont moins chers à fabriquer et plus légers, ce qui pourrait permettre une large gamme d’applications, y compris des dispositifs d’émission de lumière.
Ces travaux sont présentés en couverture du numéro d’avril d’ACS Energy Letters.
L’un des principaux défis à relever dans ce domaine est que les dispositifs en pérovskite ont tendance à se dégrader beaucoup plus rapidement que le silicium lorsqu’ils sont exposés à l’humidité, à l’oxygène, à la lumière, à la chaleur et à la tension. Le problème est de trouver les pérovskites qui combinent une performance à haut rendement et une résistance aux conditions environnementales.
Les pérovskites ont une structure générale ABX3, où A est un groupe organique (à base de carbone) ou inorganique, B est du plomb ou de l’étain, et X est un halogénure (à base de chlore, d’iode, de fluor ou d’une combinaison de ces éléments). Par conséquent, « le nombre de combinaisons chimiques possibles est à lui seul énorme », a déclaré M. Leite. En outre, elles doivent être évaluées en fonction de multiples conditions environnementales, seules et combinées, ce qui crée un espace d’hyperparamètres qui ne peut être exploré à l’aide des méthodes conventionnelles d’essai et d’erreur.
« L’espace des paramètres chimiques est énorme« , a déclaré M. Leite. « Les tester tous prendrait beaucoup de temps et serait fastidieux.«
Expériences à haut débit et apprentissage automatique
Dans un premier temps, Leite et les étudiants diplômés Meghna Srivastava et Abigail Hering ont décidé de vérifier si les algorithmes d’apprentissage automatique pouvaient être efficaces pour tester et prédire les effets de l’humidité sur la dégradation des matériaux.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Srivastava et Hering ont construit un système automatisé à haut rendement pour mesurer l’efficacité de la photoluminescence de cinq films de pérovskite différents dans les conditions des journées d’été à Sacramento. Ils ont pu collecter plus de 7 000 mesures en une semaine, accumulant ainsi suffisamment de données pour constituer un ensemble d’entraînement fiable.
Ils ont utilisé ces données pour former trois algorithmes d’apprentissage automatique différents : un modèle de régression linéaire, un réseau neuronal et un modèle statistique appelé SARIMAX. Ils ont comparé les prédictions des modèles aux résultats physiques mesurés en laboratoire. Le modèle SARIMAX s’est avéré le plus performant, avec une correspondance de 90 % avec les résultats observés pendant une fenêtre de plus de 50 heures.
« Ces résultats démontrent que nous pouvons utiliser l’apprentissage automatique pour identifier les matériaux candidats et les conditions appropriées pour prévenir la dégradation des pérovskites« , a déclaré M. Leite. Les prochaines étapes consisteront à étendre les expériences pour quantifier les combinaisons de plusieurs facteurs environnementaux.
Le film de pérovskite lui-même n’est qu’une partie d’une cellule photovoltaïque complète, a précisé M. Leite. La même approche d’apprentissage automatique pourrait également être utilisée pour prévoir le comportement d’un dispositif complet.
« Notre paradigme est unique et je suis impatient de voir les mesures à venir. De plus, je suis très fier de l’assiduité des étudiants pendant la pandémie« , a déclaré M. Leite.
M. Srivastava est titulaire d’une bourse de la Fondation nationale des sciences pour 2021. Les autres auteurs de l’article sont Yu An et Juan-Pablo Correa-Baena, tous deux de Georgia Tech. Les travaux ont été financés par des subventions de la National Science Foundation et des Sandia National Laboratories.
