L’EPFL utilise l’IA pour découvrir de nouveaux matériaux photovoltaïques

Un projet de recherche de l’EPFL a développé une méthode basée sur l’apprentissage automatique pour effectuer des recherches rapides et précises dans de grandes bases de données, ce qui a permis de découvrir 14 nouveaux matériaux pour les cellules photovoltaïques.

Alors que le monde intègre l’énergie solaire dans la vie quotidienne, il devient de plus en plus important de trouver des matériaux qui convertissent efficacement la lumière du soleil en électricité. Alors que le silicium a dominé la technologie solaire jusqu’à présent, on assiste à une évolution croissante vers des matériaux connus sous le nom de pérovskites, en raison de leurs coûts plus faibles et de leurs processus de fabrication plus simples.

Le défi consiste toutefois à trouver des pérovskites présentant la bonne « bande interdite », c’est-à-dire une plage d’énergie spécifique qui détermine l’efficacité avec laquelle un matériau peut absorber la lumière du soleil et la convertir en électricité sans la perdre en chaleur.

Un projet de recherche de l’EPFL dirigé par Haiyuan Wang et Alfredo Pasquarello, avec des collaborateurs à Shanghai et à Louvain-La-Neuve, a développé une méthode qui combine des techniques de calcul avancées avec l’apprentissage automatique pour rechercher les matériaux pérovskites optimaux pour les applications photovoltaïques. Cette approche pourrait déboucher sur des panneaux solaires plus efficaces et moins chers, ce qui pourrait transformer les normes de l’industrie solaire.

Les chercheurs ont commencé par développer un ensemble de données complet et de haute qualité sur les valeurs de bandes interdites pour 246 matériaux pérovskites. Cet ensemble de données a été construit à l’aide de calculs avancés basés sur des fonctionnelles hybrides – un type de calcul sophistiqué qui inclut l’échange d’électrons et améliore la théorie de la fonctionnelle de la densité (DFT) plus conventionnelle. La DFT est une méthode de modélisation de la mécanique quantique utilisée pour étudier la structure électronique de systèmes à corps multiples 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. Cela a permis d’améliorer considérablement la précision des prédictions de bande interdite par rapport à la DFT standard, ce qui est particulièrement important pour les matériaux tels que les pérovskites, où les interactions électroniques et les effets de polarisation sont cruciaux pour leurs propriétés électroniques.

Des excellents candidats pour les cellules photovoltaïques à haut rendement

L’ensemble des données obtenues a constitué une base solide pour l’identification des matériaux pérovskites présentant des propriétés électroniques optimales pour des applications telles que les cellules photovoltaïques, pour lesquelles un contrôle précis des valeurs de la bande interdite est essentiel pour maximiser l’efficacité.

L’équipe a ensuite utilisé les calculs de bande interdite pour développer un modèle d’apprentissage automatique formé sur les 246 pérovskites. Ils l’ont appliqué à une base de données d’environ 15’000 matériaux candidats pour les cellules solaires, réduisant 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 pérovskites entièrement nouvelles, présentant toutes des bandes interdites et une stabilité énergétique suffisamment élevée pour en faire d’excellents candidats pour les cellules solaires à haut rendement.

Ce travail démontre que l’utilisation de l’apprentissage automatique pour rationaliser la découverte et la validation de nouveaux matériaux photovoltaïques peut réduire les coûts et accélérer considérablement l’adoption de l’énergie solaire. Cette avancée réduit la dépendance aux combustibles fossiles et contribue à l’effort mondial de lutte contre le changement climatique.