Et si l’on pouvait prédire aujourd’hui les meilleurs matériaux solaires de demain ?

Alors que les panneaux solaires traditionnels au silicium se font de plus en plus abordables, la technologie émergente des cellules solaires à couche mince s’impose comme une sérieuse concurrente – encore moins chère, plus fine, plus flexible et même plus efficace. Parmi ces étoiles montantes du photovoltaïque, les cellules solaires utilisant des matériaux organiques comme semi-conducteurs remportent incontestablement la palme.

Pourtant, malgré la multitude de matériaux potentiels existants pour ces futurs attrape-soleil, seuls quelques-uns sortent des laboratoires pour rejoindre le marché, notamment parce que le perfectionnement des bons matériaux exige de longs – et souvent coûteux – ajustements à même de concilier la théorie avec l'expérience.

Une équipe de chercheurs australiens vient peut-être de trouver une solution susceptible de profiter au secteur dans son ensemble : un modèle de machine-learning capable de prédire l'efficacité de conversion énergétique des matériaux organiques utilisés dans les cellules solaires.

• Apprentissage automatique Conception des appareils, conditions de traitement, processus de dopage, colorants, solvants et autres additifs... Les variables susceptibles d’affecter les matériaux photovoltaïques organiques (PVO) étant nombreuses, la mesure des propriétés des cellules a tendance à varier d'une expérience à l'autre et d’un laboratoire à un autre. Les chercheurs du ARC Centre of Excellence in Exciton Science à Melbourne se sont donc donnés pour objectif de démontrer que l'apprentissage automatique était capable de modéliser et prédire un large éventail de propriétés du PVO.
• Calcul plus rapide Les algorithmes d'apprentissage automatique, impliquant de longs calculs de niveau quantique, étaient jusqu’alors particulièrement énergivores et coûteux. Le nouveau modèle utilise quant à lui les signatures interprétables chimiquement des matériaux analysés, ce qui réduit le besoin en calcul.
• Open Science Les chercheurs ont publié le code source de la plate-forme d'IA pour qu’elle puisse être utilisée par d'autres chercheurs.
• Modélisation prédictive Le modèle permet également aux scientifiques de déterminer quelles propriétés apporteraient le meilleur taux de conversion. En d'autres termes, il rend possible la modélisation de « matériaux virtuels » qui n'existent pas encore, et par conséquent, accélère le développement de cellules solaires plus abordables et performantes.

L’Œil de l’Expert ENGIE

Thierry Grima, Group Chief Analytics Officer - « Il ne s’agit pour le moment que d’expériences : l’IA va “peut-être” permettre d’accélérer la recherche des meilleurs matériaux pour construire la nouvelle génération de panneaux solaires avec un meilleur rendement, mais de nombreuses questions demeurent : facilité de développement des panneaux, durée de vie des panneaux, passage à l’échelle... »