Cellules solaires: l'Intelligence Artificielle pour identifier de nouveaux composés

Publié par Redbran le 24/11/2022 à 13:00
Source: CNRS INC
...
Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)

Les pérovskites hybrides forment une classe de semi-conducteurs très prometteuse pour la conception de cellules solaires à moindre coût avec des rendements de conversion de la lumière rejoignant aujourd'hui ceux du silicium. Des scientifiques du CNRS ont développé un outil de Machine Learning très poussé qui permet de déterminer instantanément si un nouveau composé sera de type pérovskite ou non. Ces résultats sont parus dans la revue Advanced Materials.


Une nouvelle technique d'analyse de diagrammes de diffraction des rayons X basée sur un machine learning très poussé permet de déterminer instantanément si un nouveau composé sera de type pérovskite ou non.
© Florian Massuyeau

Les pérovskites hybrides halogénées représentent une classe de matériaux semi-conducteurs particulièrement étudiés ces dernières années pour leurs propriétés photoélectriques remarquables et leurs applications dans les systèmes photovoltaïques. Pour être qualifiés de pérovskites, ces matériaux hybrides organiques/inorganiques à base de plomb doivent posséder un réseau inorganique spécifique: des octaèdres de plomb halogénés connectés uniquement par leurs sommets. C'est cette structure particulière qui permet d'obtenir de bonnes propriétés de conduction utiles pour les cellules solaires.

S'il est aisé de préparer de nombreuses compositions en changeant d'halogène et/ou de molécule organique, il est impossible de déterminer, en amont d'une synthèse, quelle sera la structure du matériau obtenu. Seule la détermination structurale par diffraction des rayons X sur monocristal ou poudre avec une haute résolution permet de savoir si un nouveau matériau hybride est de type pérovskite. Ce procédé chronophage demande une expertise spécifique et constitue donc un des principaux facteurs limitants des procédés de synthèse à haut débit de pérovskites.

Dans ce contexte, des scientifiques de l'Institut des matériaux de Nantes Jean Rouxel (CNRS/Nantes Université), en collaboration avec des chimistes de l'Institut de recherches sur la catalyse et l'environnement de Lyon (CNRS/Université Claude Bernard Lyon 1), ont fait apprendre à un algorithme de machine learning les caractéristiques importantes pour identifier les structures de type pérovskite dans de simples diagrammes de diffraction sur poudre de nouveaux matériaux. Cette nouvelle technique n'est pas suffisante pour déterminer complètement une nouvelle structure mais permet de déterminer si un nouveau composé est de type pérovskite de manière quasiment instantanée. Pour cela, ils ont extrait de la base de données Cambridge Structural Database (CSD) toutes les structures hybrides halogénées à base de plomb (environ 1000), simulés leurs diagrammes de diffraction des rayons X sur poudre et triés ces matériaux en fonction de leur caractère pérovskite ou non.

Les deux modèles (random forest et réseau de neurones à convolution) ont permis de valider leur approche avec un taux de prédiction d'environ 90%. De plus, ces modèles ont permis aux scientifiques de mieux comprendre les caractéristiques importantes dans un diagramme de diffraction des rayons X pour différencier les structures pérovskites des autres. Cette nouvelle technique d'analyse de diagrammes de diffraction des rayons X permettrait également de détecter d'autres types structuraux. Un nouvel outil qui est décrit dans la revue Advanced Materials.

Référence:
Perovskite or Not Perovskite ? A Deep-Learning Approach to Automatically Identify New Hybrid Perovskites from X-ray Diffraction Patterns
Florian Massuyeau, Thibault Broux, Florent Coulet, Aude Demessence, Adel Mesbah et Romain Gautier, Advanced Materials, 13 août 2022.
https://doi.org/10.1002/adma.202203879
Page générée en 0.205 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise