Des chercheurs du laboratoire national d'Oak Ridge du Département de l'énergie et de l'Université du Tennessee automatisent la recherche de nouveaux matériaux pour faire progresser les technologies de l'énergie solaire.

Un nouveau workflow publié dans Lettres énergétiques ACS combine la robotique et l'apprentissage automatique pour étudier les pérovskites aux halogénures métalliques, ou MHP — minces, poids léger, des matériaux souples aux propriétés exceptionnelles pour exploiter la lumière qui peut être utilisée pour fabriquer des cellules solaires, éclairage et capteurs écoénergétiques.

"Notre approche accélère l'exploration des matériaux pérovskites, ce qui rend exponentiellement plus rapide pour synthétiser et caractériser de nombreuses compositions de matériaux à la fois et identifier les domaines d'intérêt, " a déclaré Sergueï Kalinine de l'ORNL.

L'étude, dans le cadre d'une collaboration ORNL-UT Science Alliance, vise à identifier les matériaux MHP les plus stables pour l'intégration de dispositifs.

"L'expérimentation automatisée peut nous aider à tracer une voie efficace en explorant ce qui est un immense pool de compositions de matériaux potentielles, " a déclaré Mahshid Ahmadi de l'UT.

Bien que les MHP soient attrayantes pour leur haute efficacité et leurs faibles coûts de fabrication, leur sensibilité à l'environnement limite leur utilisation opérationnelle. Les exemples du monde réel ont tendance à se dégrader trop rapidement dans des conditions ambiantes, comme la lumière, humidité ou chaleur, être pratique.

L'énorme potentiel des pérovskites présente un obstacle inhérent à la découverte de matériaux. Les scientifiques sont confrontés à un vaste espace de conception dans leurs efforts pour développer des modèles plus robustes. Plus d'un millier de MHP ont été prédits, et chacun d'eux peut être modifié chimiquement pour générer une bibliothèque presque illimitée de compositions possibles.

« Il est difficile de surmonter ce défi avec les méthodes conventionnelles de synthèse et de caractérisation des échantillons un à la fois, " a déclaré Ahmadi. " Notre approche nous permet de cribler jusqu'à 96 échantillons à la fois pour accélérer la découverte et l'optimisation des matériaux. "

L'équipe a sélectionné quatre modèles de systèmes MHP - produisant 380 compositions au total - pour démontrer le nouveau flux de travail pour les matériaux pouvant être traités en solution, compositions qui commencent comme des mélanges humides mais sèches à des formes solides.

L'étape de synthèse a utilisé un robot de pipetage programmable conçu pour fonctionner avec des microplaques à 96 puits standard. La machine permet de gagner du temps par rapport à la distribution manuelle de nombreuses compositions différentes; et il minimise les erreurs dans la réplication d'un processus fastidieux qui doit être effectué exactement dans les mêmes conditions ambiantes, une variable difficilement contrôlable sur de longues périodes.

Prochain, les chercheurs ont exposé des échantillons à l'air et mesuré leurs propriétés photoluminescentes à l'aide d'un lecteur de plaque optique standard.

"C'est une mesure simple mais c'est la norme de facto pour caractériser la stabilité des MHP, " a déclaré Kalinin. " La clé est que les approches conventionnelles seraient à forte intensité de main-d'œuvre, alors que nous avons pu mesurer les propriétés photoluminescentes de 96 échantillons en cinq minutes environ."

La répétition du processus sur plusieurs heures a permis de capturer des diagrammes de phases complexes dans lesquels les longueurs d'onde de la lumière varient selon les compositions et évoluent au fil du temps.

L'équipe a développé un algorithme d'apprentissage automatique pour analyser les données et se concentrer sur des régions à haute stabilité.

"L'apprentissage automatique nous permet d'obtenir plus d'informations à partir de données éparses en prédisant les propriétés entre les points mesurés, " a déclaré Maxim Ziatdinov de l'ORNL, qui a dirigé le développement de l'algorithme. "Les résultats guident la caractérisation des matériaux en nous montrant où regarder ensuite."

Alors que l'étude se concentre sur la découverte de matériaux pour identifier les compositions les plus stables, le flux de travail pourrait également être utilisé pour optimiser les propriétés des matériaux pour des applications optoélectroniques spécifiques.

Le processus automatisé peut être appliqué à n'importe quel matériau pouvant être traité en solution pour des économies de temps et d'argent par rapport aux méthodes de synthèse traditionnelles.

L'article de revue est publié sous le titre "Chemical Robotics Enabled Exploration of Stability in Multicomponent Lead Halide Perovskites via Machine Learning".