Des chercheurs de l’Université de Californie, Davis School of Engineering, utilisent l’apprentissage automatique pour identifier de nouveaux matériaux pour les cellules solaires à haut rendement. À l’aide d’expériences à haut débit et d’algorithmes basés sur l’apprentissage automatique, ils ont découvert qu’il était possible de prévoir le comportement dynamique des matériaux avec une très grande précision, sans avoir besoin d’effectuer autant d’expériences.
Le travail est présenté sur la couverture du numéro d’avril d’ACS Electricity Letters.
Les pérovskites hybrides sont des molécules organiques-inorganiques qui ont reçu beaucoup d’attention au cours des 10 dernières années pour leur utilisation potentielle dans les énergies renouvelables, a déclaré Marina Leite, professeure agrégée de science et d’ingénierie des matériaux à UC Davis et auteur principal de l’article. Certains sont comparables en efficacité au silicium pour fabriquer des cellules solaires, mais ils sont moins chers à fabriquer et as well as légers, permettant potentiellement une large gamme d’applications, y compris des dispositifs électroluminescents.
L’un des principaux défis dans ce domaine est que les dispositifs à pérovskite ont tendance à se dégrader beaucoup plus facilement que le silicium lorsqu’ils sont exposés à l’humidité, à l’oxygène, à la lumière, à la chaleur et à la pressure. Le problème est de trouver quelles pérovskites combinent des performances à haut rendement avec une résistance aux conditions environnementales.
Les pérovskites ont une structure générale d’ABX3, où A est un groupe organique (à base de carbone) ou inorganique, B est le plomb ou l’étain et X est un halogénure (à base de chlore, d’iode ou de fluor ou une combinaison). Par conséquent, “le nombre de combinaisons chimiques possibles à lui seul est énorme”, a déclaré Leite. De furthermore, ils doivent être évalués par rapport à plusieurs circumstances environnementales, seules et en combinaison, ce qui se traduit par un espace d’hyperparamètres qui ne peut pas être exploré à l’aide de méthodes conventionnelles d’essais et d’erreurs.
“L’espace des paramètres chimiques est énorme”, a déclaré Leite. “Les tester tous serait très chronophage et fastidieux.”
Expériences à haut débit et apprentissage automatique
Comme première étape clé vers la résolution de ces défis, Leite et les étudiantes diplômées Meghna Srivastava et Abigail Hering décident de tester si les algorithmes d’apprentissage automatique pourraient être efficaces pour tester et prédire les effets de l’humidité sur la dégradation des matériaux.
Srivastava et Hering ont construit un système automatisé à haut débit pour mesurer l’efficacité de la photoluminescence de cinq films de pérovskite différents par rapport aux problems des jours d’été à Sacramento. Ils ont pu collecter as well as de 7 000 mesures en une semaine, accumulant suffisamment de données pour un ensemble d’entraînement fiable.
Ils ont utilisé ces données pour previous trois algorithmes d’apprentissage automatique différents : un modèle de régression linéaire, un réseau de neurones et un modèle statistique appelé SARIMAX. Ils ont comparé les prédictions des modèles aux résultats physiques mesurés en laboratoire. Le modèle SARIMAX a montré les meilleures performances avec une correspondance de 90 % avec les résultats observés pendant une fenêtre de additionally de 50 heures.
“Ces résultats démontrent que nous pouvons utiliser l’apprentissage automatique pour identifier les matériaux candidats et les problems appropriées pour empêcher la dégradation des pérovskites”, a déclaré Leite. Les prochaines étapes consisteront à étendre les expériences pour quantifier les combinaisons de plusieurs facteurs environnementaux.
Le film de pérovskite lui-même n’est qu’une partie d’une cellule photovoltaïque complète, a déclaré Leite. La même approche d’apprentissage automatique pourrait également être utilisée pour prévoir le comportement d’un appareil complet.
“Notre paradigme est exclusive, et j’ai hâte de voir les mesures à venir. De furthermore, je suis très fier de la diligence des étudiants pendant la pandémie”, a déclaré Leite.
Srivastava est membre 2021 de la Nationwide Science Basis. Les autres auteurs de l’article sont Yu An et Juan-Pablo Correa-Baena, tous deux de Georgia Tech. Le travail a été soutenu par des subventions de la National Science Basis et des Sandia National Laboratories.