L'IA pour les cellules solaires en pérovskite : la clé d'une meilleure fabrication
Les méthodes d'intelligence artificielle guident les chercheurs dans le développement de processus de fabrication améliorés pour des cellules solaires très efficaces - un modèle pour d'autres domaines de recherche
Les cellules solaires tandem en pérovskite combinent une cellule solaire en pérovskite avec une cellule solaire conventionnelle, par exemple à base de silicium. Ces cellules sont considérées comme une technologie de nouvelle génération : Elles affichent un rendement de plus de 33 %, ce qui est nettement supérieur à celui des cellules solaires classiques au silicium. De plus, elles utilisent des matières premières peu coûteuses et sont faciles à fabriquer. Pour atteindre ce niveau d'efficacité, il faut produire une couche de pérovskite de qualité supérieure extrêmement fine, dont l'épaisseur ne représente qu'une fraction de celle d'un cheveu humain. "La fabrication de ces couches minces multicristallines de haute qualité, sans lacunes ni trous, à l'aide de méthodes peu coûteuses et évolutives, constitue l'un des plus grands défis", explique Ulrich W. Paetzold, professeur titulaire, qui mène des recherches à l'Institut de technologie des microstructures et à l'Institut de technologie de la lumière de l'Université de Kansas. Même dans des conditions de laboratoire apparemment parfaites, il peut y avoir des facteurs inconnus qui entraînent des variations dans la qualité de la couche semi-conductrice : "Cet inconvénient finit par empêcher le démarrage rapide de la production à l'échelle industrielle de ces cellules solaires très efficaces, dont on a tant besoin pour le tournant énergétique", explique M. Paetzold.
Assistés par des méthodes d'intelligence artificielle, les chercheurs s'efforcent d'améliorer les processus de fabrication de cellules solaires à pérovskite très efficaces.
Amadeus Bramsiepe, KIT
L'IA trouve les signes cachés d'un revêtement efficace
Pour trouver les facteurs qui influencent le revêtement, une équipe interdisciplinaire composée d'experts en cellules solaires pérovskites du KIT a uni ses forces à celles des spécialistes de l'apprentissage automatique et de l'intelligence artificielle explicable (XAI) de Helmholtz Imaging et Helmholtz AI du DKFZ à Heidelberg. Les chercheurs ont mis au point des méthodes d'IA qui permettent d'entraîner et d'analyser des réseaux neuronaux à l'aide d'un vaste ensemble de données. Cet ensemble de données comprend des enregistrements vidéo qui montrent la photoluminescence des fines couches de pérovskite pendant le processus de fabrication. La photoluminescence fait référence à l'émission radiante des couches semi-conductrices qui ont été excitées par une source lumineuse externe. "Comme même les experts ne pouvaient rien voir de particulier sur les couches minces, l'idée est née d'entraîner un système d'IA pour l'apprentissage automatique (Deep Learning) afin de détecter les signes cachés d'un bon ou d'un mauvais revêtement à partir des millions de données des vidéos", expliquent Lukas Klein et Sebastian Ziegler, de Helmholtz Imaging au DKFZ.
Pour filtrer et analyser les indications très dispersées produites par le système d'apprentissage profond de l'IA, les chercheurs se sont ensuite appuyés sur des méthodes d'intelligence artificielle explicable.
"Un schéma directeur pour les recherches ultérieures
Les chercheurs ont découvert expérimentalement que la photoluminescence varie au cours de 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 XAI pour déterminer quels facteurs doivent être modifiés pour obtenir une cellule solaire de haute qualité", expliquent Klein et Ziegler. Cette approche n'est pas habituelle. Dans la plupart des cas, l'IAO n'est utilisée que comme une sorte de garde-fou pour éviter les erreurs lors de la construction de modèles d'IA. "Il s'agit d'un changement de paradigme : Obtenir des informations très pertinentes dans le domaine de la science des matériaux d'une 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. Une fois les réseaux neuronaux entraînés 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 de lumière survenant à tel ou tel moment du processus de fabrication. "Ces résultats sont extrêmement intéressants", souligne Ulrich W. Paetzold. "Grâce à l'utilisation combinée de l'IA, nous disposons d'un indice solide et savons quels paramètres doivent être modifiés en premier lieu pour améliorer la production. Nous pouvons désormais mener nos expériences de manière plus ciblée et ne sommes plus obligés de chercher, les yeux bandés, l'aiguille dans une botte de foin. Il s'agit d'un modèle de recherche de suivi qui s'applique également à de nombreux autres aspects de la recherche énergétique et de la science des matériaux.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département recherche et développement
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
