Le soleil transmet en permanence des billions de watts d'énergie à la Terre. Il le fera encore pendant des milliards d'années. Pourtant, nous venons seulement de commencer à puiser dans cette abondante source d'énergie renouvelable à un coût abordable.

Les absorbeurs solaires sont un matériau utilisé pour convertir cette énergie en chaleur ou en électricité. Maria Chan, scientifique au Laboratoire national d'Argonne du Département américain de l'énergie (DOE), a développé une méthode d'apprentissage automatique pour cribler plusieurs milliers de composés en tant qu'absorbeurs solaires. Son co-auteur sur ce projet était Arun Mannodi-Kanakkithodi, un ancien post-doctorant d'Argonne qui est maintenant professeur adjoint à l'Université Purdue.

"Selon une récente étude du DOE, d'ici 2035, l'énergie solaire pourrait fournir 40% de l'électricité du pays", a déclaré Chan. "Et cela pourrait aider à décarboniser le réseau et créer de nombreux nouveaux emplois."

Chan et Mannodi-Kanakkithodi parient que l'apprentissage automatique jouera un rôle vital dans la réalisation de ce noble objectif. Une forme d'intelligence artificielle (IA), l'apprentissage automatique utilise une combinaison de grands ensembles de données et d'algorithmes pour imiter la façon dont les humains apprennent. Il apprend de la formation avec des exemples de données et de l'expérience passée pour faire des prédictions toujours meilleures.

À l'époque de Thomas Edison, les scientifiques ont découvert de nouveaux matériaux par le processus laborieux d'essais et d'erreurs avec de nombreux candidats différents jusqu'à ce qu'un seul fonctionne. Au cours des dernières décennies, ils se sont également appuyés sur des calculs à forte intensité de main-d'œuvre nécessitant jusqu'à mille heures pour prédire les propriétés d'un matériau. Désormais, ils peuvent raccourcir les deux processus de découverte en faisant appel au machine learning.

À l'heure actuelle, l'absorbeur principal des cellules solaires est soit du silicium, soit du tellurure de cadmium. De telles cellules sont désormais monnaie courante. Mais leur fabrication reste assez chère et énergivore.

L'équipe a utilisé sa méthode d'apprentissage automatique pour évaluer les propriétés d'énergie solaire d'une classe de matériaux appelés pérovskites aux halogénures. Au cours de la dernière décennie, de nombreux chercheurs ont étudié les pérovskites en raison de leur remarquable efficacité à convertir la lumière du soleil en électricité. Ils offrent également la perspective d'un coût et d'une consommation d'énergie beaucoup plus faibles pour la préparation des matériaux et la construction des cellules.

"Contrairement au silicium ou au tellurure de cadmium, les variations possibles des halogénures combinés aux pérovskites sont essentiellement illimitées", a déclaré Chan. "Il est donc urgent de développer une méthode qui puisse réduire les candidats prometteurs à un nombre gérable. À cette fin, l'apprentissage automatique est un outil parfait."

L'équipe a formé sa méthode avec des données pour quelques centaines de compositions de pérovskite aux halogénures, puis l'a appliquée à plus de 18 000 compositions comme cas de test. La méthode a évalué ces compositions pour des propriétés clés telles que la stabilité, la capacité à absorber la lumière du soleil, une structure qui ne se brise pas facilement en raison de défauts, etc. Les calculs concordaient bien avec les données pertinentes de la littérature scientifique. En outre, les résultats ont réduit le nombre de compositions méritant une étude plus approfondie à environ 400.

"Notre liste de candidats contient des composés qui ont déjà été étudiés, des composés que personne n'a jamais étudiés et même des composés qui ne figuraient pas parmi les 18 000 d'origine", a déclaré Chan. "Nous sommes donc très enthousiastes à ce sujet."

La prochaine étape consistera à tester les prédictions à l'aide d'expériences. Le scénario idéal serait d'utiliser un laboratoire de découverte autonome, tel que Polybot au Center for Nanoscale Materials (CNM) d'Argonne, une installation utilisateur du DOE Office of Science. Polybot allie la puissance de la robotique à l'IA pour favoriser la découverte scientifique avec peu ou pas d'intervention humaine.

En utilisant l'expérimentation autonome pour synthétiser, caractériser et tester les meilleurs de leurs quelques centaines de candidats de choix, Chan et son équipe prévoient qu'ils peuvent également améliorer la méthode d'apprentissage automatique actuelle.

"Nous sommes vraiment dans une nouvelle ère d'application de l'IA et du calcul haute performance à la découverte des matériaux", a déclaré Chan. "Outre les cellules solaires, notre méthodologie de conception pourrait s'appliquer aux LED et aux capteurs infrarouges."

Cette recherche est rapportée dans un article dans Energy &Environmental Science . + Explorer plus loin

Découvrir les motifs de la nature à l'échelle atomique en couleurs vivantes