Fig. 1. Exploration de nouveaux polymères pour les cellules solaires polymères à l'aide de l'informatique des matériaux. (Supérieur) Exemple d'une structure polymère composée de donneur d'électrons, accepteur d'électrons, et les chaînes alkyle. (Milieu) Classification par méthode de forêt aléatoire. (Inférieur) Combinaison synergique de matériaux informatiques, expériences pratiques, et l'intelligence humaine. Crédit :Université d'Osaka
Les cellules solaires joueront un rôle clé dans la transition vers une économie renouvelable. Le photovoltaïque organique (OPV) est une classe prometteuse de cellules solaires, à base d'une molécule organique absorbant la lumière associée à un polymère semi-conducteur.
Les VPO sont fabriqués à partir de matériaux peu coûteux, matériaux légers, et bénéficiez d'une bonne sécurité ainsi que d'une production aisée. Cependant, leurs efficacités de conversion de puissance (PCE) – la capacité de convertir la lumière en électricité – sont encore trop faibles pour une commercialisation à grande échelle.
Le PCE dépend à la fois de la couche organique et de la couche polymère. Traditionnellement, les chimistes ont expérimenté différentes combinaisons de ceux-ci par essais et erreurs, entraînant beaucoup de temps et d'efforts perdus.
Maintenant, une équipe de chercheurs de l'Université d'Osaka a utilisé la puissance informatique pour automatiser la recherche de matériaux solaires bien assortis. À l'avenir, cela pourrait conduire à des appareils beaucoup plus efficaces. L'étude a été rapportée dans le Journal des lettres de chimie physique .
« Le choix du polymère affecte plusieurs propriétés, comme le courant de court-circuit, qui déterminent directement le PCE, ", explique le premier auteur de l'étude, Shinji Nagasawa. "Cependant, il n'y a pas de moyen facile de concevoir des polymères avec des propriétés améliorées. Les connaissances chimiques traditionnelles ne suffisent pas. Au lieu, nous avons utilisé l'intelligence artificielle pour guider le processus de conception."
Fig. 2. Conversion photoélectrique dans une cellule solaire polymère et structures chimiques des matériaux actifs. Crédit :Université d'Osaka
L'informatique peut donner un sens aux grands, des ensembles de données complexes en détectant des tendances statistiques qui échappent aux experts humains. L'équipe a recueilli des données sur 1, 200 OPV provenant d'environ 500 études. En utilisant l'apprentissage automatique de la forêt aléatoire, ils ont construit un modèle combinant la bande interdite, masse moléculaire, et la structure chimique de ces précédents OPV, avec leur PCE, pour prédire l'efficacité de nouveaux appareils potentiels.
Random Forest a découvert une corrélation améliorée entre les propriétés des matériaux et leurs performances réelles dans les OPV. Pour exploiter cela, le modèle a été utilisé pour "cribler" automatiquement les polymères potentiels pour leur PCE théorique. La liste des meilleurs candidats a ensuite été réduite en fonction de l'intuition chimique de ce qui peut être synthétisé dans la pratique.
Cette stratégie a conduit l'équipe à créer un nouveau polymère non testé auparavant. Dans l'éventualité, un VPO pratique basé sur ce premier essai s'est avéré moins efficace que prévu. Cependant, le modèle a fourni des informations utiles sur la relation structure-propriété. Ses prédictions pourraient être améliorées en incluant plus de données, telles que la solubilité des polymères dans l'eau, ou la régularité de leur épine dorsale.
Fig. 3. Exemple de criblage de chaîne alkyle utilisant une forêt aléatoire. Crédit :Université d'Osaka
"L'apprentissage automatique pourrait considérablement accélérer le développement des cellules solaires, puisqu'il prédit instantanément des résultats qui prendraient des mois en laboratoire, ", a déclaré le co-auteur Akinori Saeki. "Ce n'est pas un simple remplacement du facteur humain - mais cela pourrait fournir un soutien crucial lorsque les concepteurs moléculaires doivent choisir les voies à explorer."
