Découverte révolutionnaire grâce à l’IA : les secrets des cellules solaires haute efficacité révélés

Patrick Lesggie

Grâce aux méthodes d’intelligence artificielle, les chercheurs s’efforcent d’améliorer les processus de fabrication de cellules solaires à base de pérovskite hautement efficaces. Crédit: Amadeus Bramsiepe, KIT

Les techniques d’intelligence artificielle aident les scientifiques à améliorer les procédures de fabrication de cellules solaires hautement efficaces, servant de modèle pour divers autres domaines de recherche.

Les cellules solaires tandem en pérovskite représentent une technologie hybride avancée, combinant une cellule solaire en pérovskite avec une cellule solaire traditionnelle, souvent constituée de silicium. Cette approche innovante se situe à l’avant-garde de la technologie solaire, offrant un taux d’efficacité impressionnant dépassant 33 %, surpassant ainsi considérablement celui des cellules solaires en silicium standard.

De plus, elles utilisent des matières premières peu coûteuses et sont facilement fabriquées. Pour atteindre ce niveau d’efficacité, une couche de pérovskite de haute qualité extrêmement fine, dont l’épaisseur n’est qu’une fraction de celle d’un cheveu humain, doit être produite.

« La production de ces couches minces multi-cristallines de haute qualité sans aucune déficience ou trou en utilisant des méthodes peu coûteuses et évolutives est l’un des plus grands défis », explique le professeur Ulrich W. Paetzold, qui mène des recherches à l’Institut de technologies de la microstructure et à l’Institut de technologie lumineuse de KIT.

Même dans des conditions de laboratoire apparemment parfaites, il peut exister des facteurs inconnus qui entraînent des variations de qualité des couches semi-conductrices : « Ce désavantage empêche finalement un démarrage rapide de la production à grande échelle de ces cellules solaires hautement efficaces, qui sont si nécessaires pour la transition énergétique », explique Paetzold.

IA trouve des signes cachés de revêtement efficace

Pour trouver les facteurs qui influent sur le revêtement, une équipe interdisciplinaire composée d’experts en cellules solaires en pérovskite de KIT a uni ses forces avec des spécialistes de l’apprentissage machine et de l’intelligence artificielle explicative (IAE) de Helmholtz Imaging et de l’IA Helmholtz au DKFZ à Heidelberg.

Les chercheurs ont développé des méthodes d’IA qui entraînent et analysent des réseaux neuronaux à l’aide d’un énorme ensemble de données. Cet ensemble de données comprend des enregistrements vidéo montrant la photoluminescence des minces couches de pérovskite pendant le processus de fabrication. La photoluminescence se réfère à l’émission radiante des couches semi-conductrices qui ont été excitées par une source de lumière externe.

« Puisque même les experts ne voyaient rien de particulier sur les couches minces, l’idée est née de former un système d’IA pour l’apprentissage machine (Deep Learning) afin de détecter les signes cachés d’un revêtement de bonne ou de mauvaise qualité parmi les millions d’éléments de données des vidéos », expliquent Lukas Klein et Sebastian Ziegler de Helmholtz Imaging au DKFZ.

Pour filtrer et analyser les indications largement dispersées produites par le système d’IA de Deep Learning, les chercheurs ont ensuite fait appel à des méthodes d’Intelligence Artificielle Explicative.

« Un modèle pour la recherche future »

Les chercheurs ont découvert expérimentalement que la photoluminescence varie pendant la production et que ce phénomène a une influence sur la qualité du revêtement.

« La clé de notre travail a été l’utilisation ciblée de méthodes IAE pour voir quels facteurs doivent être modifiés pour obtenir une cellule solaire de haute qualité », ont déclaré Klein et Ziegler. Ce n’est pas l’approche habituelle. Dans la plupart des cas, l’IAE n’est utilisée que comme une sorte de garde-fou pour éviter les erreurs lors de la construction de modèles d’IA.

« C’est un changement de paradigme : obtenir des informations extrêmement pertinentes en science des matériaux de manière aussi systématique est une expérience totalement nouvelle. »

C’est en effet la conclusion tirée de la variation de la photoluminescence qui a permis aux chercheurs de passer à l’étape suivante. Après que les réseaux neuronaux ont été formés en conséquence, l’IA a pu prédire si chaque cellule solaire atteindrait un niveau d’efficacité faible ou élevé en fonction de la variation de l’émission lumineuse survenant à tel point du processus de fabrication.

« Ce sont des résultats extrêmement passionnants », souligne Ulrich W. Paetzold. « Grâce à l’utilisation combinée de l’IA, nous avons un indice solide et savons quels paramètres doivent être modifiés en premier lieu pour améliorer la production. Maintenant, nous sommes en mesure de mener nos expériences de manière plus ciblée et ne sommes plus obligés de chercher à l’aveugle la soi-disant aiguille dans une botte de foin. C’est un modèle pour la recherche future qui s’applique également à de nombreux autres aspects de la recherche énergétique et de la science des matériaux. »

Référence : « Découverte de la dynamique du processus pour la fabrication évolutive de cellules solaires en pérovskite avec une IA explicative » de Lukas Klein, Sebastian Ziegler, Felix Laufer, Charlotte Debus, Markus Götz, Klaus Maier-Hein, Ulrich W. Paetzold, Fabian Isensee et Paul F. Jäger, 30 octobre 2023, Matériaux avancés.
DOI : 10.1002/adma.202307160