Des chercheurs de l'Université de Californie, Davis College of Engineering ont utilisé l'apprentissage automatique pour identifier de nouveaux matériaux pour les cellules solaires à haute efficacité. Ils ont constaté qu'il était possible de prédire le comportement dynamique des matériaux avec une grande précision sans avoir à effectuer autant d'expériences.
Les chercheurs de l'Université de Californie, Davis College of Engineering ont récemment utilisé l'apprentissage automatique pour identifier de nouveaux matériaux pour les cellules solaires à haute efficacité. L'utilisation d'expériences à haut débit et d'algorithmes basés sur l'apprentissage automatique leur a permis de prévoir avec une très grande précision le comportement des matériaux, sans avoir besoin de réaliser autant d'expériences. Cette recherche est mise en avant dans le numéro d'avril de ACS Energy Letters.
Les perovskites hybrides sont des molécules organiques-inorganiques qui ont attiré beaucoup d'attention au cours des 10 dernières années pour leur utilisation potentielle dans l'énergie renouvelable. Certaines ont une efficacité comparable au silicium pour la fabrication de cellules solaires, mais elles sont moins chères à produire et plus légères, permettant ainsi une large gamme d'applications, y compris les dispositifs lumineux.
Un défi majeur dans le domaine est que les dispositifs à base de perovskites 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 tension. Le problème est de trouver quels perovskites combinent des performances à haute efficacité avec une résilience aux conditions environnementales.
Cependant, grâce à l'utilisation d'expériences à haut débit et d'algorithmes basés sur l'apprentissage automatique, les chercheurs ont pu recueillir suffisamment de données pour former des modèles fiables. Ils ont utilisé ces données pour former trois différents algorithmes d'apprentissage automatique : un modèle de régression linéaire, un réseau neuronal et un modèle statistique appelé SARIMAX. Les résultats ont été très prometteurs, avec une correspondance de 90 % entre les prévisions des modèles et les résultats observés en laboratoire.
En fin de compte, l'utilisation de l'apprentissage automatique pour identifier de nouveaux matériaux pour les cellules solaires à haute efficacité est une étape importante dans la recherche d'énergies renouvelables plus efficaces et plus durables. Cette approche unique pourrait également être appliquée à la prévision du comportement de cellules photovoltaïques complètes.
