Utiliser l’IA comme guide pour une meilleure fabrication de cellules solaires à pérovskite
Les cellules solaires tandem basées sur des semi-conducteurs pérovskites convertissent la lumière du soleil en électricité plus efficacement que les cellules solaires au silicium conventionnelles. Afin de rendre cette technologie prête pour le marché, des améliorations supplémentaires en termes de stabilité et de processus de fabrication sont nécessaires.
Des chercheurs de l’Institut de technologie de Karlsruhe (KIT) et de deux plateformes Helmholtz – Helmholtz Imaging au Centre allemand de recherche sur le cancer (DKFZ) et Helmholtz AI – ont réussi à trouver un moyen de prédire la qualité des couches de pérovskite et par conséquent celle des couches de pérovskite qui en résultent. cellules solaires. Aidé par l’apprentissage automatique et les nouvelles méthodes d’intelligence artificielle (IA), il est possible d’évaluer leur qualité à partir des variations d’émission lumineuse déjà présentes dans le processus de fabrication.
Les résultats, qui peuvent être utilisés pour élaborer de meilleurs procédés de fabrication, ont été publiés dans Matériaux avancés.
Les cellules solaires tandem en pérovskite combinent une cellule solaire en pérovskite avec une cellule solaire conventionnelle, par exemple à base de silicium. Ces cellules sont considérées comme une technologie de nouvelle génération : elles affichent actuellement un rendement de plus de 33 %, ce qui est bien supérieur à celui des cellules solaires au silicium conventionnelles. De plus, ils utilisent des matières premières peu coûteuses et sont faciles à fabriquer. Pour atteindre ce niveau d’efficacité, il faut produire une couche extrêmement fine de pérovskite de haute qualité, dont l’épaisseur ne représente qu’une fraction de celle d’un cheveu humain.
« La fabrication de ces couches minces multicristallines de haute qualité, sans défauts ni trous, à l’aide de méthodes peu coûteuses et évolutives, constitue l’un des plus grands défis », déclare le professeur titulaire Ulrich W. Paetzold, qui mène des recherches à l’Institut de technologie des microstructures. et le Light Technology Institute du KIT.
Même dans des conditions de laboratoire apparemment parfaites, il peut exister des facteurs inconnus qui entraînent des variations dans la qualité de la couche semi-conductrice. « Cet inconvénient empêche finalement un démarrage rapide de la production à l’échelle industrielle de ces cellules solaires à haute efficacité, qui sont si indispensables à la transition énergétique. »
L’IA découvre des signes cachés d’un revêtement efficace
Pour trouver les facteurs qui influencent le revêtement, une équipe interdisciplinaire composée d’experts en cellules solaires pérovskites du KIT a uni ses forces avec des spécialistes de l’apprentissage automatique et de l’intelligence artificielle explicable (XAI) de Helmholtz Imaging et Helmholtz AI au DKFZ à Heidelberg. Les chercheurs ont développé des méthodes d’IA qui entraînent et analysent les réseaux neuronaux à l’aide d’un vaste ensemble de données. Cet ensemble de données comprend des enregistrements vidéo montrant la photoluminescence des fines couches de pérovskite pendant le processus de fabrication.
La photoluminescence fait référence à l’émission radiante des couches semi-conductrices excitées par une source de lumière externe. « Comme même les experts ne pouvaient rien voir de particulier sur les couches minces, l’idée est née de former un système d’IA pour l’apprentissage automatique (Deep Learning) afin de détecter les signes cachés d’un bon ou d’un mauvais revêtement à partir des millions d’éléments de données présents sur les vidéos. » Lukas Klein et Sebastian Ziegler de Helmholtz Imaging au DKFZ expliquent.
Pour filtrer et analyser les indications largement dispersées issues du système Deep Learning AI, les chercheurs se sont ensuite appuyés sur des méthodes d’intelligence artificielle explicable.
Un plan pour la recherche de suivi
Les chercheurs ont découvert expérimentalement que la photoluminescence varie au cours de la production et que ce phénomène a une influence sur la qualité du revêtement. « La clé de notre travail a été l’utilisation ciblée des méthodes XAI pour déterminer quels facteurs doivent être modifiés pour obtenir une cellule solaire de haute qualité », expliquent Klein et Ziegler.
Ce n’est pas l’approche habituelle. Dans la plupart des cas, XAI n’est utilisé que comme une sorte de garde-fou pour éviter les erreurs lors de la création de modèles d’IA. « Il s’agit d’un changement de paradigme : acquérir des connaissances très pertinentes en science des matériaux de manière aussi systématique est une expérience totalement nouvelle. »
C’est en effet la conclusion tirée de la variation de photoluminescence qui a permis aux chercheurs de passer à l’étape suivante. Une fois les réseaux neuronaux entraînés en conséquence, l’IA a pu prédire si chaque cellule solaire atteindrait un niveau d’efficacité faible ou élevé en fonction de la variation de l’émission lumineuse survenue à quel moment du processus de fabrication.
« Ce sont des résultats extrêmement passionnants », déclare Ulrich W. Paetzold. « Grâce à l’utilisation combinée de l’IA, nous disposons d’une idée solide et savons quels paramètres doivent être modifiés en premier lieu pour améliorer la production. Nous sommes désormais en mesure de mener nos expériences de manière plus ciblée et ne sommes plus obligés de regarder » Les yeux bandés pour l’aiguille dans une botte de foin. Il s’agit d’un modèle de recherche de suivi qui s’applique également à de nombreux autres aspects de la recherche énergétique et de la science des matériaux. »
