Le MIT s’affaire à affiner le processus de détermination des pérovskites prometteuses

Share

L’industrie solaire et le monde de la recherche ont déjà consacré beaucoup d’efforts à la mise au point d’un ou deux matériaux pérovskites offrant un potentiel élevé dans la production d’énergie solaire.

Cependant, le terme « pérovskite » fait référence à une classe de matériaux ayant une structure cristalline particulière et englobe un nombre énorme – « pratiquement illimité » selon le Massachusetts Institute of Technology (MIT) – de combinaisons possibles de matériaux.

Identifier des combinaisons de matériaux à fort potentiel pour les cellules solaires est donc un processus lent. La modélisation informatique peut aider à réduire le nombre de candidats, comme l’ont montré les travaux récents de l’Université de Californie, à San Diego, mais les scientifiques doivent tout de même suivre le processus fastidieux de synthèse et d’analyse de matériaux en laboratoire.

Les scientifiques du MIT ont déclaré avoir été capables de multiplier par 10 la vitesse de ce processus en développant un système permettant de tester en parallèle une grande variété de matériaux et en faisant appel au machine learning (apprentissage automatique) pour faire avancer les choses. Tonio Buonassisi, professeur de génie mécanique au MIT, a déclaré que son équipe avait pour objectif de réduire le temps de développement d’un nouveau matériau de conversion d’énergie à moins de deux ans.

Machine learning 

Buonassisi a expliqué que la plupart des améliorations en termes de vitesse venaient du suivi et du minutage des étapes impliquées et de l’augmentation du nombre de matériaux à tester simultanément. « Nous sommes maintenant en mesure d’accéder à une large gamme de composés différents en utilisant la même plateforme de matériaux », a-t-il déclaré. « Cela nous permet d’explorer une vaste gamme de paramètres. »

L’ajout de techniques d’apprentissage automatique réduit davantage le temps imparti. L’équipe a eu recours à la diffraction des rayons X pour observer les détails de la structure d’un matériau et à l’apprentissage automatique pour classifier les résultats. Selon le MIT, cela aurait permis de réduire le temps nécessaire de 3 à 5 heures à un peu plus de cinq minutes tout en maintenant une précision de 90 %.

Dans le document intitulé Accelerated Development of Perovsite Inspired-Materials via High Throughput Synthesis and Machine Learning Diagnosis  (Développement accéléré de matériaux de type pérovskite via une synthèse à haut débit et un diagnostic de machine learning), publié dans la revue Joule, l’équipe a décrit comment elle avait appliqué le processus à 75 formulations, conduisant à la découverte de deux nouveaux pérovskites sans plomb dignes d’intérêt pour la conception de cellules solaires. Les chercheurs envisagent désormais de recourir davantage à l’automatisation pour continuer à augmenter la vitesse de traitement pour la classification de nouveaux matériaux. Buonassisi a déclaré que l’un des autres objectifs de son équipe était de générer des prix de l’énergie solaire économiquement durables, inférieurs à 0,02 USD/kWh.  « Tout ce que vous avez à faire est de créer un matériau », dit-il. « Nous mettons en place tous les éléments d’expérimentation afin de pouvoir explorer plus vite. »