Des chercheurs utilisent l'apprentissage automatique pour optimiser la conception des cellules solaires tandem à pérovskite

En tant que source d’énergie la plus abondante sur Terre, l’énergie solaire est une alternative prometteuse dans la transition vers une énergie propre. Cependant, les cellules solaires commerciales actuelles ne sont efficaces qu’à 20 % pour convertir la lumière en énergie utilisable.

Les cellules solaires en tandem, dans lesquelles plusieurs cellules solaires sont empilées les unes sur les autres, sont potentiellement plus efficaces. Chaque couche de cellules est sensible à différentes longueurs d'onde de la lumière, ce qui permet de capter l'énergie qui pourrait autrement être perdue.

La couche supérieure de la cellule solaire tandem laisse généralement passer certaines bandes d'énergie lumineuse et les capter par la couche inférieure. La fabrication de la couche supérieure avec un type de matériau connu sous le nom de perovskite s'est avérée améliorer l'efficacité des cellules solaires bien au-delà du seuil actuel de 20 %.

Le Dr Xue Hansong de l'Université de technologie et de design de Singapour (SUTD) explique que les cellules solaires à pérovskite « peuvent être adaptées pour avoir des propriétés optoélectroniques exceptionnelles, notamment un coefficient d'absorption élevé, une tolérance élevée aux défauts et une bande interdite réglable ».

Ces cellules peuvent être difficiles à concevoir et à fabriquer. L'optimisation de leur efficacité se fait souvent au prix d'une augmentation des coûts des matériaux.

Pour concevoir des cellules solaires à pérovskite qui équilibrent efficacité et rentabilité, on utilise la méthode d'optimisation du front de Pareto, qui permet d'identifier les solutions optimales en fonction des compromis entre les deux paramètres que sont l'efficacité et le coût. Mais cette méthode peut prendre énormément de temps en raison de la complexité des calculs impliqués.

Pour résoudre ce problème, le Dr Xue a collaboré avec des chercheurs de l’Université nationale de Singapour et de l’Université de Toronto pour intégrer l’apprentissage automatique dans la méthode d’optimisation du front de Pareto.

Plus précisément, l’équipe s’est tournée vers l’apprentissage par réseau neuronal pour son étude publiée dans la revue Apprentissage automatique APLintitulé « Exploration de l'espace de conception optimal des cellules solaires à pérovskite transparentes pour les applications tandem à quatre bornes grâce à l'optimisation du front de Pareto ».

Le Dr Xue et son équipe ont d'abord généré un ensemble de données à l'aide d'un modèle optoélectronique-électrique pour calculer l'efficacité de différentes configurations de cellules solaires tandem à quatre bornes (4T) en cuivre-indium-séléniure et en pérovskite. À l'aide de ces données, ils ont ensuite formé un réseau neuronal afin qu'il puisse rapidement simuler et prédire l'efficacité de n'importe quelle cellule solaire tandem 4T sous divers paramètres.

L'utilisation du réseau neuronal pour prédire l'efficacité a considérablement réduit le temps nécessaire à l'exécution de l'optimisation du front de Pareto. « Le réseau neuronal n'a mis que 11 heures pour prédire l'efficacité de 3 500 appareils différents. La réalisation de la même simulation avec le modèle optoélectronique-électrique d'origine aurait pris environ six mois », a déclaré le Dr Xue.

Grâce au temps gagné, l'équipe a pu analyser rapidement différentes simulations et déterminer la configuration optimale d'une cellule solaire tandem 4T qui maximise l'efficacité à un coût minimal. En fait, la configuration optimale prédite par le réseau neuronal a montré une efficacité accrue de 30,4 % tout en réduisant les coûts de matériaux de 50 %. La comparaison de cette conception avec des modèles expérimentaux existants a également fourni aux chercheurs de nouvelles perspectives.

« Les cellules optimales prévues présentent des électrodes de contact avant, des couches de transport de porteurs de charge et des électrodes de contact arrière plus fines », a déclaré le Dr Xue. Les implications de cette découverte ne peuvent être sous-estimées : elles ont montré que le transport de porteurs de charge pourrait être un facteur critique dans l'optimisation des cellules tandem à pérovskite.

Pour le Dr Xue, le succès du nouveau modèle de réseau neuronal n’est que le début de l’amélioration de l’efficacité des cellules solaires. Grâce à l’utilisation de la conception, de l’IA et de la technologie, la fabrication de cellules solaires peut devenir plus efficace, plus rentable et plus polyvalente, contribuant ainsi de manière significative à l’avancement des solutions d’énergie renouvelable.

L'équipe cherche également à développer son réseau neuronal en intégrant diverses données sur les matériaux. Il s'agit notamment de l'utilisation de divers matériaux pour la couche de transport des porteurs de charge ainsi que de composés de pérovskite présentant différentes caractéristiques.

Il est également prévu d’étendre leur approche à une gamme plus large d’architectures de dispositifs tandem, telles que les cellules solaires tandem entièrement pérovskite, pérovskite sur organique et pérovskite sur silicium.