Dispositif de cellule solaire accepteur non fullerène, pour lequel le polymère a été conçu par machine learning. Crédit :Université d'Osaka
Des chercheurs de l'université d'Osaka ont utilisé l'apprentissage automatique pour concevoir de nouveaux polymères à utiliser dans les dispositifs photovoltaïques. Après avoir virtuellement projeté plus de 200, 000 supports candidats, ils ont synthétisé l'un des plus prometteurs et ont trouvé que ses propriétés étaient cohérentes avec leurs prédictions. Ce travail peut conduire à une révolution dans la façon dont les matériaux fonctionnels sont découverts.
L'apprentissage automatique est un outil puissant qui permet aux ordinateurs de faire des prédictions sur des situations même complexes, tant que les algorithmes sont fournis avec suffisamment de données d'exemple. Ceci est particulièrement utile pour les problèmes complexes en science des matériaux, comme la conception de molécules pour les cellules solaires organiques, qui peut dépendre d'un vaste éventail de facteurs et de structures moléculaires inconnues. Il faudrait des années aux humains pour passer au crible les données pour trouver les modèles sous-jacents, et encore plus longtemps pour tester toutes les combinaisons candidates possibles de polymères donneurs et de molécules acceptrices qui composent une cellule solaire organique. Ainsi, les progrès dans l'amélioration de l'efficacité des cellules solaires pour être compétitifs dans le domaine des énergies renouvelables ont été lents.
Maintenant, des chercheurs de l'Université d'Osaka ont utilisé l'apprentissage automatique pour dépister des centaines de milliers de paires donneur:accepteur sur la base d'un algorithme formé avec des données d'études expérimentales précédemment publiées. Essayer toutes les combinaisons possibles de 382 molécules donneuses et 526 molécules acceptrices a donné 200, 932 paires qui ont été virtuellement testées en prédisant leur efficacité de conversion énergétique.
Fig. 2. Exemple de structures chimiques d'un polymère (à gauche) et d'un accepteur non fullerène (à droite). Crédit :Université d'Osaka
« Baser la construction de notre modèle d'apprentissage automatique sur un ensemble de données expérimentales a considérablement amélioré la précision de la prédiction, " dit le premier auteur Kakaraparthi Kranthiraja.
Pour vérifier cette méthode, l'un des polymères dont l'efficacité est prédite a été synthétisé en laboratoire et testé. Ses propriétés se sont avérées conformes aux prédictions, ce qui a donné plus de confiance aux chercheurs dans leur approche.
Fig. 3. Méthode de développement du modèle d'apprentissage automatique, génération virtuelle de polymères, et la sélection de polymères pour la synthèse. Crédit :Université d'Osaka
"Ce projet peut contribuer non seulement au développement de cellules solaires organiques hautement efficaces, mais peut également être adapté à l'informatique matérielle d'autres matériaux fonctionnels, ", dit l'auteur principal Akinori Saeki.
Nous pouvons voir ce type d'apprentissage automatique, dans lequel un algorithme peut rapidement cribler des milliers voire des millions de molécules candidates sur la base de prédictions d'apprentissage automatique, appliqué à d'autres domaines, tels que les catalyseurs et les polymères fonctionnels.
