Des chercheurs des laboratoires IRCP (Chimie ParisTech-PSL/CNRS) et i-CLeHS (Chimie ParisTech-PSL /CNRS), en collaboration avec l’Université de Technologie de Chengdu (Chine) ont mis au point une approche combinant  « Machine Learning » et ingénierie moléculaire pour optimiser rapidement la composition des couches actives et les procédés de synthèse.

Les cellules solaires à pérovskites constituent la technologie émergente la plus prometteuse pour le photovoltaïque. La versatilité des compositions des couches actives de pérovskite halogénées, l’espace complexe des paramètres pour leur synthèse en couches minces, et la possibilité de doper les couches par une large variété de composés chimiques rend les étapes d’optimisation longues, complexes et fastidieuses.

Dans un article paru dans la revue Energy & Environmental Science, Thierry Pauporté, Thijs Stuyver, Junsheng Luo et leurs équipes proposent une approche basée sur le « machine learning » afin de converger en un nombre limité d’expériences vers des dispositifs optimisés de très haut rendement. Cette méthodologie a permis la préparation de cellules de structure inverse atteignant un rendement de conversion de 25,76% (certifié à 25,21%). De plus les dispositifs présentent une très bonne stabilité.

Ce travail ouvre des perspectives majeures pour la recherche accélérée et automatisée de matériaux optimisés.

En savoir plus sur cette publication

En savoir plus sur l’équipe de l’IRCP

En savoir plus sur l’équipe TCM d’i-CLeHS