Énergie solaire : l’intelligence artificielle pour prédire les meilleurs matériaux

energie solaire intelligence artificielle prediction meilleurs materiaux
| Solliance

Les mesures de lutte contre le réchauffement climatique incluent en premier lieu l’abandon progressif des énergies fossiles pour une utilisation massive des énergies renouvelables. La technologie solaire est un domaine de recherche très actif, et les ingénieurs cherchent des matériaux toujours plus performants et respectueux de l’environnement pour développer des cellules solaires. Et dans ce cadre, un nouvel allié pourrait faire avancer rapidement les choses. Des chercheurs ont mis au point un modèle d’intelligence artificielle capable d’analyser, sélectionner, voire prédire, les matériaux qui seront les plus efficaces dans les cellules solaires photovoltaïques organiques.

Des chercheurs du centre ARC d’excellence en science de l’exciton, ont réussi à créer un nouveau type de modèle d’apprentissage automatique pour prédire l’efficacité de conversion d’énergie (PCE) des matériaux pouvant être utilisés dans les cellules solaires organiques de nouvelle génération, y compris les composés virtuels qui n’existent pas encore. Contrairement à certains modèles longs et compliqués, la dernière approche est rapide, facile à utiliser et le code est disponible gratuitement pour tous les scientifiques et ingénieurs.

La clé pour développer un modèle plus efficace et plus ergonomique était de remplacer les paramètres complexes et coûteux en calcul, qui nécessitent des calculs de mécanique quantique, par des descripteurs de signature plus simples et chimiquement interprétables des molécules analysées. Ils fournissent des données importantes sur les fragments chimiques les plus importants dans les matériaux qui affectent la PCE, générant des informations qui peuvent être utilisées pour concevoir des matériaux améliorés.

À LIRE AUSSI :
Un algorithme capable de détecter la « toux COVID », indistinguable pour nous

Des modèles d’intelligence artificielle complexes et lents

La nouvelle approche pourrait contribuer à accélérer considérablement le processus de conception de cellules solaires plus efficaces à un moment où la demande d’énergie renouvelable et son importance dans la réduction des émissions de carbone sont plus essentielles que jamais. Les résultats ont été publiés dans la revue Nature Computational Materials.

Après des décennies de dépendance au silicium, qui est relativement coûteux et manque de flexibilité, l’attention se tourne de plus en plus vers les cellules solaires photovoltaïques organiques (OPV), qui seront moins chères à fabriquer en utilisant les technologies d’impression, en plus d’être plus polyvalentes et plus faciles à éliminer. Un défi majeur est de trier l’énorme volume de composés chimiques potentiellement appropriés qui peuvent être synthétisés pour être utilisés dans les OPV.

Les chercheurs ont déjà essayé d’utiliser l’apprentissage automatique pour résoudre ce problème, mais bon nombre de ces modèles prenaient beaucoup de temps, nécessitaient une puissance de traitement informatique importante et étaient difficiles à reproduire. Et, surtout, ils n’ont pas fourni suffisamment d’informations aux physiciens expérimentaux cherchant à développer de nouveaux dispositifs solaires.

Un nouveau modèle flexible, simple et universellement disponible

Aujourd’hui, les travaux dirigés par  Nastaran Meftahi et Salvy Russo de l’Université RMIT, en collaboration avec l’équipe du professeur Udo Bach à l’Université Monash, ont réussi à relever bon nombre de ces défis. « La majorité des autres modèles utilisent des descripteurs électroniques qui sont compliqués et coûteux en calcul, et ils ne sont pas chimiquement interprétables », explique Nastaran.

En utilisant leur nouveau modèle, les chercheurs ont pu produire des résultats robustes et prédictifs, et générer, entre autres données, des relations quantitatives entre les signatures moléculaires examinées et l’efficacité des futurs dispositifs OPV. Nastaran et ses collègues ont maintenant l’intention d’étendre la portée de leur travail pour inclure des ensembles de données calculées et expérimentales plus grands et plus précis.

Sources : Nature Computational Materials

Plus d'articles
tesla gigafactory cyberattaque ransomware
Un piratage informatique d’une usine Tesla déjoué par le FBI
Cliquez pour accéder à d'autres articles sur ce sujet.