L'IA accélère la découverte de nouveaux matériaux photovoltaïques

Avec l’intégration de l’énergie solaire dans notre quotidien, il est devenu important de rechercher des matériaux capables de convertir efficacement la lumière du soleil en électricité. Alors que le silicium a été à la pointe du domaine de la technologie solaire jusqu’à aujourd’hui, on assiste à une évolution constante vers des matériaux appelés pérovskites, en raison de leurs coûts moins élevés et de leurs processus de fabrication plus simples.

Le défi consiste toutefois à trouver des pérovskites avec une «bande interdite» adaptée, à savoir une plage d’énergie spécifique qui détermine l’efficacité d’un matériau à absorber la lumière du soleil et à la convertir en électricité sans perte de chaleur.

Dans le cadre d’un projet de recherche de l’EPFL, Haiyuan Wang et Alfredo Pasquarello, en collaboration avec des chercheurs de Shanghai et de Louvain-La-Neuve, ont mis au point une méthode qui combine des techniques de calcul avancées et l’apprentissage automatique pour rechercher les meilleurs matériaux pérovskites pour les applications photovoltaïques. Cette approche pourrait aboutir à la production de panneaux solaires plus efficaces et moins coûteux, faisant ainsi évoluer les normes de l’industrie solaire.

Les chercheuses et chercheurs ont commencé par développer un ensemble de données complet et de grande qualité sur les valeurs de bande interdite de 246 matériaux pérovskites. L’ensemble de données a été créé à l’aide de calculs avancés, basés sur des fonctionnelles hybrides – un type de calcul sophistiqué qui comprend l’échange d’électrons et améliore la théorie de la fonctionnelle de la densité (DFT) plus classique. La DFT est une méthode de modélisation de la mécanique quantique servant à étudier la structure électronique de systèmes à plusieurs corps tels que les atomes et les molécules.

Les fonctionnelles hybrides utilisées étaient «dépendantes du diélectrique», ce qui signifie qu’elles intégraient les propriétés de polarisation électronique du matériau dans leurs calculs. La précision des prédictions de bande interdite a ainsi été améliorée considérablement par rapport à la DFT classique, ce qui est particulièrement important pour les matériaux comme les pérovskites, dans lesquelles l’interaction électronique et les effets de polarisation sont indispensables pour les propriétés électroniques.

L’ensemble de données obtenu constituait une base solide pour l’identification des matériaux pérovskites dotés de propriétés électroniques optimales pour des applications telles que le photovoltaïque, où un contrôle précis des valeurs de la bande interdite est essentiel pour une efficacité maximale.

L’équipe a ensuite repris les calculs de bande interdite pour développer un modèle d’apprentissage automatique en l’entraînant sur les 246 pérovskites. Elle a appliqué ce modèle à une base de données d’environ 15 000 matériaux candidats pour les cellules photovoltaïques, réduisant ainsi la recherche aux pérovskites les plus prometteuses sur la base de leurs bandes interdites prédites et de leur stabilité. Le modèle a permis d’identifier 14 nouvelles pérovskites, présentant toutes des bandes interdites et une stabilité énergétique suffisamment élevée pour en faire d’excellents candidats pour les cellules photovoltaïques à haut rendement.

Ces travaux montrent que le recours à l’apprentissage automatique pour faciliter la découverte et la validation de nouveaux matériaux photovoltaïques peut diminuer les coûts et accélérer considérablement l’adoption de l’énergie solaire. Cela réduit ainsi notre dépendance aux combustibles fossiles et contribue à l’effort mondial de lutte contre le changement climatique.

Autres contributeurs

• Université de Shanghai
• Université catholique de Louvain