Avec l'IA, plus rapidement vers de meilleurs matériaux photovoltaïques

Une parmi un million : L'intelligence artificielle aide les chercheurs dans leur recherche de nouveaux matériaux pour des cellules solaires à haute efficacité. (Photo : Kurt Fuchs/HI ERN) / One in a million: Artificial intelligence helps scientists in their search for new materials to be used in high-efficiency solar cells. (Photo: Kurt Fuchs/HI ERN)

Les cellules solaires à pérovskite sont considérées comme une alternative flexible et durable aux cellules solaires traditionnelles en silicium. Des chercheurs de l'Institut de technologie de Karlsruhe (KIT) font partie d'une équipe internationale qui, en quelques semaines, a découvert de nouvelles molécules organiques permettant d'améliorer le rendement des cellules solaires à pérovskite. L'équipe a habilement combiné l'utilisation de l'IA avec une synthèse automatisée à haut débit. La stratégie développée est transférable à d'autres domaines de la recherche sur les matériaux, comme la recherche de nouveaux matériaux pour batteries. Les chercheurs rapportent actuellement leurs résultats dans Science (DOI : 10.1126/science.ads0901).

Pour identifier parmi un million de molécules celles qui rendent les cellules solaires à pérovskite particulièrement efficaces en tant que conductrices de charge positive, il faut soit produire et tester ces millions de molécules — ou suivre la démarche adoptée par des chercheurs autour du professeur titulaire Pascal Friederich de l'Institut de nanotechnologie du KIT et du professeur Christoph Brabec du HI ERN. « Avec seulement 150 expériences ciblées, un progrès a été réalisé, qui aurait autrement nécessité des centaines de milliers de tests. La stratégie mise en œuvre ouvre de nouvelles possibilités pour la découverte rapide et économique de matériaux performants dans divers 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 deux pour cent, atteignant 26,2 %. « Ce succès montre qu’en développant de nouveaux matériaux énergétiques, une stratégie habile permet d’économiser énormément de temps et de ressources », ajoute Friederich.

Le point de départ au HI ERN était une base de données contenant les formules structurales d’environ un million de molécules virtuelles, toutes synthétisables à partir de substances courantes. Sur 13 000 de ces molécules virtuelles, sélectionnées aléatoirement, les chercheurs du KIT ont calculé à l’aide de méthodes quantiques établies les niveaux d’énergie, la polarité, la géométrie et d’autres caractéristiques.

Entraînement de l’IA avec des données provenant de seulement 101 molécules

Parmi ces 13 000 molécules, les chercheurs ont choisi 101 molécules présentant des caractéristiques aussi différentes que possible. Celles-ci ont été fabriquées automatiquement au HI ERN à l’aide d’un système robotisé, permettant ainsi de produire des cellules solaires identiques dans leur construction. Ensuite, leur rendement a été mesuré. « La clé de notre succès résidait dans le fait que, grâce à notre plateforme de synthèse hautement automatisée, nous avons pu produire des échantillons comparables et obtenir 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. Ce modèle a ensuite proposé 48 autres molécules à synthétiser, en se basant sur deux critères : un rendement attendu élevé et des propriétés imprévisibles. « Lorsque le modèle d’apprentissage automatique n’est pas sûr de la prédiction du rendement, il est intéressant de fabriquer la molécule pour l’étudier de plus près », explique Pascal Friederich, évoquant le second critère. « Elle pourrait surprendre par un rendement élevé. »

En effet, des cellules solaires plus efficaces que la moyenne ont pu être construites à partir des molécules proposées par l’IA, y compris celles surpassant les matériaux les plus modernes. « Nous ne pouvons pas être certains d’avoir vraiment trouvé le meilleur parmi un million de molécules, mais nous sommes très proches de l’optimum », affirme Friederich, professeur titulaire en intelligence artificielle dans la science des matériaux.

IA versus intuition chimique

Les chercheurs peuvent en partie comprendre les propositions de molécules de l’IA, car celle-ci indique quels traits des molécules virtuelles ont été déterminants pour ses suggestions. Il s’est avéré que certaines propositions s’appuyaient aussi sur des caractéristiques, comme la présence de groupes chimiques spécifiques tels que les amines, qui avaient jusqu’alors été moins pris en compte par les chimistes.

Christoph Brabec et Pascal Friederich sont convaincus que leur stratégie est prometteuse pour la recherche de matériaux dans d’autres domaines ou pour l’optimisation de composants entiers.

Les résultats de la recherche, réalisés en collaboration avec des chercheurs de l’Université d’Erlangen-Nuremberg, de l’Institut national de science d’Ulsan en Corée du Sud, de l’Université de Xiamen en Chine et de l’Université de science et technologie électroniques de Chengdu, en Chine, ont récemment été publiés dans la revue renommée « Science » (ffr).

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 : Conception inverse de semi-conducteurs de transport de trous moléculaires adaptés aux cellules solaires à pérovskite. Science, 2024. DOI 10.1126/science.ads0901.