Le MIT affine le choix de matériaux pérovskites

L’industrie solaire et le monde de la recherche ont déjà investi beaucoup de travail dans une poignée de matériaux pérovskites qui ont depuis démontré leur potentiel pour produire des cellules solaires à très haut rendement.

Le terme perovskite englobe cependant un nombre « pratiquement illimité » selon le Massachusetts Institute of Technology (MIT) de combinaisons possibles de matériaux présentant une structure cristalline particulière.

Sonder à travers cet échantillon pour identifier les matériaux à fort potentiel dans la fabrication de cellules solaires est donc un processus lent. La modélisation informatique peut aider à réduire le nombre de candidats, comme le démontrent les récents travaux de l’Université de Californie à San Diego, mais pour être vraiment sûrs, les scientifiques doivent suivre le processus minutieux de synthèse et d’analyse pour chaque matériaux au laboratoire

Les chercheurs du MIT affirment avoir réduit la durée de ce processus par un facteur dix en développant un système permettant de tester en parallèle une grande variété de matériaux tout en utilisant l’apprentissage automatique (un outil d’intelligence artificielle) pour progresser. Tonio Buonassisi, professeur de génie mécanique au MIT, a déclaré que son équipe avait pour objectif de réduire le temps de développement pour de nouveaux matériaux de conversion d’énergie à moins de deux ans.

Machine learning

Buonassisi explique que les économies de temps dans le développement de nouveaux matériaux découlent typiquement d’un meilleur suivi et d’une meilleure planification des étapes à suivre dans leur étude, ainsi que de l’augmentation du nombre de matériaux qui peuvent être testés simultanément. « Nous pouvons à présent accéder à une variété plus étendue de compositions chimiques en utilisant la même plate-forme matérielle », a-t-il déclaré. « Cela nous permet d’explorer une large gamme de paramètres. »

L’ajout de techniques d’intelligence artificielle réduit encore d’avantage le temps requis. L’équipe a sondé les détails de chaque structure de matériau par diffraction de rayons X et a utilisé le logiciel d’apprentissage automatique pour trier les résultats. Selon le MIT, ceci a permis de réduire la durée d’une expérience de 3 à 5 heures à un peu plus de cinq minutes, tout en maintenant une exactitude de 90%.

Dans l’article intitulé «Accelerated Development of Perovsite Inspired-Materials via High Throughput Synthesis and Machine Learning Diagnosis» (le développement accéléré de matériaux inspirés de perovskites via la synthèse haut débit et le diagnostique à base d’apprentissage automatique) publié dans la revue scientifique Joule, l’équipe a décrit comment l’utilisation du procédé sur 75 formulations a conduit à la découverte de deux nouveaux matériaux pérovskites sans plomb méritant d’être étudiés pour leurs applications dans le photovoltaïque.

Les chercheurs envisagent désormais de recourir davantage à l’automatisation pour continuer à augmenter la vitesse de traitement afin de classifier les nouveaux matériaux. Buonassisi a déclaré qu’un autre objectif de son équipe était de parvenir à des prix d’énergie solaire inférieurs à 0,02 USD par kWh. «Nous mettons en place toutes les pièces expérimentales nécessaires pour explorer ces opportunités plus rapidement», ajoute-t-il.