L'IA accélère l'obtention de meilleurs matériaux photovoltaïques
Comment l'apprentissage automatique accélère considérablement la recherche de nouvelles molécules semi-conductrices pour les cellules solaires à pérovskites
Les cellules solaires en pérovskite sont considérées comme une alternative flexible et durable aux cellules solaires traditionnelles à base de silicium. En l'espace de quelques semaines, des chercheurs ont découvert de nouvelles molécules organiques qui permettent d'augmenter le rendement des cellules solaires en pérovskite. L'équipe internationale comprend également des scientifiques de l'Institut Helmholtz Erlangen-Nuremberg pour les énergies renouvelables (HI ERN), une antenne du Centre de recherche de Jülich. Les scientifiques ont habilement combiné l'utilisation de l'IA avec la synthèse à haut débit entièrement automatisée. La stratégie développée peut être appliquée à d'autres domaines de la recherche sur les matériaux, comme la recherche de nouveaux matériaux pour les batteries. Les résultats de ce travail de recherche ont été publiés dans la revue spécialisée Science.
Pour trouver, parmi un million de molécules, celles qui, en tant que conducteurs de charges positives, rendent les cellules solaires en pérovskite particulièrement efficaces, il faut fabriquer et tester ce million de molécules - ou procéder comme l'ont fait les chercheurs réunis autour du professeur tenure track Pascal Friederich de l'Institut de nanotechnologie du KIT et du professeur Christoph Brabec du HI ERN. "Avec seulement 150 expériences ciblées, il a été possible de réaliser une percée qui aurait autrement nécessité des centaines de milliers de tests. Le flux de travail développé ouvre de nouvelles possibilités pour la découverte rapide et rentable de matériaux performants dans un grand nombre de domaines d'application", explique Brabec. Avec l'un des matériaux ainsi découverts, ils ont augmenté le rendement d'une cellule solaire de référence d'environ 2 pour cent pour atteindre 26,2 pour cent. "Ce succès montre qu'il est possible d'économiser énormément de temps et de ressources lors du développement de nouveaux matériaux énergétiques avec une stratégie habile", déclare Friederich.
Le point de départ au HI ERN était une base de données contenant les formules structurelles d'environ un million de molécules virtuelles qui pourraient être produites à partir de substances disponibles dans le commerce. Les chercheurs du KIT ont calculé les niveaux d'énergie, la polarité, la géométrie et d'autres caractéristiques de 13 000 de ces molécules virtuelles, sélectionnées de manière aléatoire, à l'aide de méthodes établies de mécanique quantique.
Entraînement de l'IA avec des données de 101 molécules seulement
Parmi ces 13.000 molécules, les chercheurs ont à leur tour sélectionné 101 molécules qui se distinguaient le plus possible par leurs caractéristiques. Celles-ci ont été fabriquées automatiquement au HI ERN à l'aide d'un système robotisé, ce qui a permis de produire des cellules solaires par ailleurs identiques. Ils ont ensuite mesuré leur rendement. "Ce qui a été décisif pour le succès de notre stratégie, c'est que nous avons produit des échantillons vraiment comparables grâce à notre plateforme de synthèse hautement automatisée et que nous avons ainsi obtenu des valeurs fiables pour le rendement", explique Christoph Brabec, qui a dirigé les travaux au HI ERN.
Avec les rendements obtenus et les caractéristiques des molécules correspondantes, les chercheurs du KIT ont entraîné un modèle d'IA. Le modèle a ensuite proposé 48 autres molécules à synthétiser, en se basant sur deux critères : une efficacité élevée attendue et des caractéristiques imprévisibles. "Si le modèle de machine learning n'est pas sûr de ses prévisions en matière de rendement, il vaut la peine de fabriquer la molécule pour l'étudier de plus près", explique Pascal Friederich à propos du deuxième critère. "Elle pourrait surprendre par un rendement élevé".
En effet, les molécules proposées par l'IA permettraient de construire des cellules solaires plus efficaces que la moyenne, y compris celles qui surpassent les autres matériaux les plus modernes. "Nous ne pouvons pas être sûrs d'avoir vraiment trouvé le meilleur parmi un million de molécules, mais nous sommes certainement proches de l'optimum", conclut Friederich.
L'IA contre l'intuition chimique
Les chercheurs peuvent, dans une certaine mesure, suivre les propositions de molécules de l'IA, car l'IA utilisée indique quelles caractéristiques des molécules virtuelles ont été déterminantes pour ses propositions. Il s'est avéré que les propositions de l'IA s'appuyaient parfois sur des caractéristiques auxquelles les chimistes avaient moins prêté attention jusqu'à présent, par exemple la présence de certains groupes chimiques comme les amines.
Christoph Brabec et Pascal Friederich sont convaincus que leur stratégie est prometteuse pour la recherche sur les matériaux dans d'autres domaines d'application ou qu'elle peut être étendue à l'optimisation de composants entiers.
Les résultats de leurs recherches, menées en collaboration avec des chercheurs de l'Université d'Erlangen-Nuremberg, de l'Institut national des sciences d'Ulsan en Corée du Sud, de l'Université de Xiamen en Chine et de l'Université des sciences et technologies électroniques de Chengdu en Chine, ont été récemment publiés dans la revue "Science".
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Allemand peut être trouvé ici.
Publication originale
Jianchang Wu, Luca Torresi, ManMan Hu, Patrick Reiser, Jiyun Zhang, Juan S. Rocha-Ortiz, Luyao Wang, Zhiqiang Xie, Kaicheng Zhang, Byung-wook Park, Anastasia Barabash, Yicheng Zhao, Junsheng Luo, Yunuo Wang, Larry Lüer, Lin-Long Deng, Jens A. Hauch, Dirk M. Guldi, M. Eugenia Pérez-Ojeda, Sang Il Seok, Pascal Friederich, Christoph J. Brabec; "Inverse design workflow discovers hole-transport materials tailored for perovskite solar cells"; Science, Volume 386
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
