À mesure que nous intégrons l’énergie solaire dans notre vie quotidienne, il est devenu important de trouver des matériaux capables de convertir efficacement la lumière du soleil en électricité. Même si le silicium a dominé la technologie solaire jusqu'à présent, on constate également une tendance constante vers des matériaux appelés pérovskites en raison de leurs coûts inférieurs et de leurs processus de fabrication plus simples.

Le défi, cependant, a été de trouver des pérovskites avec la bonne « bande interdite » :une plage d'énergie spécifique qui détermine l'efficacité avec laquelle un matériau peut absorber la lumière du soleil et la convertir en électricité sans la perdre sous forme de chaleur.

Aujourd'hui, un projet de recherche de l'EPFL dirigé par Haiyuan Wang et Alfredo Pasquarello, avec des collaborateurs à Shanghai et à Louvain-La-Neuve, a développé une méthode qui combine des techniques informatiques avancées avec l'apprentissage automatique pour rechercher des matériaux pérovskites optimaux pour les applications photovoltaïques. Cette approche pourrait conduire à des panneaux solaires plus efficaces et moins chers, transformant ainsi les normes de l'industrie solaire.

L'article est publié dans le Journal of the American Chemical Society. .

Les chercheurs ont commencé par développer un ensemble de données complet et de haute qualité sur les valeurs de bande interdite pour 246 matériaux pérovskites. L'ensemble de données a été construit à l'aide de calculs avancés basés sur des fonctionnelles hybrides, un type de calcul sophistiqué qui inclut l'échange d'électrons et améliore la théorie fonctionnelle de la densité (DFT) plus conventionnelle. DFT est une méthode de modélisation mécanique quantique utilisée pour étudier la structure électronique des systèmes à N corps comme les atomes et les molécules.

Les fonctionnelles hybrides utilisées étaient « diélectriquement dépendantes », ce qui signifie qu'elles incorporaient les propriétés de polarisation électronique du matériau dans leurs calculs. Cela a considérablement amélioré la précision des prédictions de bande interdite par rapport à la DFT standard, ce qui est particulièrement important pour des matériaux comme les pérovskites où l'interaction électronique et les effets de polarisation sont cruciaux pour leurs propriétés électroniques.

L'ensemble de données résultant a fourni une base solide pour identifier les matériaux pérovskites dotés de propriétés électroniques optimales pour des applications telles que le photovoltaïque, où un contrôle précis des valeurs de bande interdite est essentiel pour maximiser l'efficacité.

L'équipe a ensuite utilisé les calculs de bande interdite pour développer un modèle d'apprentissage automatique formé sur les 246 pérovskites et l'a appliqué à une base de données d'environ 15 000 matériaux candidats pour les cellules solaires, limitant ainsi la recherche aux pérovskites les plus prometteuses en fonction de leur bande prévue. lacunes et stabilité. Le modèle a identifié 14 pérovskites complètement nouvelles, toutes dotées de bandes interdites et d'une stabilité énergétique suffisamment élevée pour en faire d'excellents candidats pour les cellules solaires à haut rendement.

Les travaux montrent que l'utilisation de l'apprentissage automatique pour rationaliser la découverte et la validation de nouveaux matériaux photovoltaïques peut réduire les coûts et accélérer considérablement l'adoption de l'énergie solaire, réduisant ainsi notre dépendance aux combustibles fossiles et contribuant à l'effort mondial de lutte contre le changement climatique.