AutoBot accélère la fabrication de films de pérovskites grâce à l’apprentissage automatique

Trouver la bonne recette pour fabriquer un nouveau matériau ressemble souvent à une longue enquête : il faut varier les ingrédients, les températures, les durées de traitement et les conditions ambiantes, puis mesurer le résultat. Avec des milliers de combinaisons envisageables, cette démarche peut mobiliser des équipes pendant des mois, voire une année. Au Laboratoire national de Berkeley, une plateforme baptisée AutoBot propose de transformer cette exploration en une boucle beaucoup plus rapide, où robotique, mesures scientifiques et apprentissage automatique se répondent.

Développée par une équipe du laboratoire affilié au Département de l’Énergie des États-Unis, AutoBot automatise à la fois la fabrication d’échantillons et leur caractérisation. Son premier terrain d’essai concerne des films minces d’halogénures métalliques de pérovskites, une famille de matériaux émergents étudiée pour des composants tels que les diodes électroluminescentes, les lasers et les photodétecteurs. L’objectif n’est pas seulement de produire un film, mais d’identifier rapidement les conditions qui permettent d’en produire un de bonne qualité.

Pourquoi la mise au point des matériaux prend-elle autant de temps ?

Un matériau ne se résume pas à sa formule chimique. Ses propriétés finales dépendent aussi de la façon dont il a été préparé. Dans le cas d’un film mince, une modification apparemment modeste de la température, du temps de chauffage ou de l’humidité de l’air peut modifier la cristallisation, l’uniformité et le comportement optique du dépôt.

Traditionnellement, les scientifiques définissent une série d’expériences, fabriquent les échantillons, les analysent et révisent ensuite leurs hypothèses. Cette méthode est indispensable, mais elle se heurte à un problème combinatoire : chaque paramètre supplémentaire multiplie le nombre de recettes à tester. Une exploration exhaustive devient rapidement impraticable.

Les pérovskites métalliques halogénées illustrent particulièrement bien cette difficulté. Ces matériaux sont prometteurs pour l’optoélectronique, c’est-à-dire les technologies qui produisent, détectent ou manipulent la lumière. Mais ils sont aussi sensibles aux conditions de préparation. L’humidité, notamment, peut compliquer le dépôt des films et obliger les laboratoires à travailler dans des environnements très contrôlés.

AutoBot intervient précisément à ce stade. Plutôt que d’épuiser méthodiquement toutes les possibilités, le système utilise les résultats déjà obtenus pour orienter les expériences suivantes vers les zones les plus intéressantes.

Comment fonctionne la plateforme AutoBot ?

AutoBot réunit dans un même dispositif plusieurs étapes habituellement séparées : la préparation des solutions, le dépôt des films, la mesure de leurs propriétés, l’analyse des données et le choix des prochaines expériences. Des dispositifs robotiques réalisent les manipulations, tandis que les algorithmes d’apprentissage automatique exploitent les observations afin de mieux prédire l’effet des paramètres de fabrication.

Le principe est itératif. La plateforme produit un premier ensemble de films, les caractérise, convertit les mesures en informations exploitables, puis ajuste les expériences suivantes. À chaque cycle, le système affine sa compréhension des relations entre les conditions de synthèse et la qualité du matériau.

Cette organisation ne signifie pas que la machine remplace le travail scientifique. Les chercheurs définissent le problème, sélectionnent les paramètres pertinents, conçoivent les protocoles et interprètent le sens des résultats. AutoBot automatise surtout la partie répétitive de l’exploration et aide à hiérarchiser les pistes expérimentales.

Quatre paramètres pour des milliers de recettes possibles

Pour évaluer la plateforme, l’équipe a étudié la synthèse de films de pérovskites en faisant varier quatre paramètres importants. Il s’agissait de la durée du traitement de la solution avec un agent de cristallisation, de la température de chauffage, de la durée de ce chauffage et de l’humidité relative dans la chambre où les films sont déposés.

En combinant les valeurs possibles de ces quatre paramètres, les chercheurs disposaient de plus de 5 000 combinaisons. Tester chacune d’entre elles aurait demandé un effort expérimental considérable. AutoBot a toutefois été capable de repérer les zones les plus intéressantes après avoir échantillonné environ 1 % de cet espace de recherche, soit une fraction très réduite des possibilités disponibles.

Ce résultat ne veut pas dire que toutes les combinaisons non testées sont connues avec certitude. Il montre plutôt que les algorithmes ont appris suffisamment vite quels réglages ont le plus d’influence sur la qualité des films. À partir des essais réalisés, ils peuvent établir des prévisions pour les autres conditions et guider la campagne expérimentale au lieu de la laisser progresser au hasard.

Des mesures complémentaires pour juger les films

La qualité d’un film ne se lit pas sur une seule mesure. Les chercheurs ont donc eu recours à trois techniques principales de caractérisation :

• la mesure de la transmission de la lumière ultraviolet-visible ;
• l’évaluation de la photoluminescence ;
• la génération d’images pour examiner l’homogénéité du film.

La transmission ultraviolet-visible renseigne sur la manière dont le matériau interagit avec la lumière dans ces longueurs d’onde. La photoluminescence mesure la lumière réémise par le matériau après excitation, un indicateur utile pour observer ses propriétés optiques. Enfin, l’imagerie permet de détecter si le dépôt est régulier ou s’il présente des défauts et des zones hétérogènes.

La fusion des données, la pièce maîtresse du système

L’un des apports les plus importants de l’étude réside dans la fusion multimodale des données. Derrière cette expression se cache une idée simple : une plateforme d’apprentissage automatique ne peut exploiter efficacement les mesures scientifiques que si elles sont organisées de manière cohérente.

Les données issues de la transmission lumineux, de la photoluminescence et des images n’ont ni la même forme ni la même unité. AutoBot les analyse et les combine afin de produire un score unique représentant la qualité globale de chaque film. Ce score sert ensuite de repère à l’algorithme pour comparer les essais et estimer quelles conditions méritent d’être explorées.

Cette étape est essentielle. Un système automatisé qui ne s’appuierait que sur une seule mesure risquerait d’optimiser un aspect du matériau au détriment d’un autre. En croisant plusieurs signaux, AutoBot vise une évaluation plus complète de la qualité des films.

Ce qu’AutoBot a révélé sur l’humidité

L’humidité est un paramètre particulièrement important pour les pérovskites métalliques halogénées. Leur sensibilité à l’eau complique en général la fabrication de films reproductibles et de bonne qualité. Pour les essais menés avec AutoBot, les chercheurs ont précisément inclus l’humidité relative parmi les variables à optimiser.

Le système a montré qu’il était possible de synthétiser des films de haute qualité dans une plage d’humidité relative allant de 5 % à 25 %. Ce résultat est important car il suggère que des conditions de fabrication favorables peuvent être identifiées sans imposer, dans cette plage, des contrôles environnementaux aussi stricts qu’on pourrait le supposer.

En revanche, au-delà de 25 % d’humidité relative, la qualité des matériaux se dégrade pendant le dépôt. Cette observation a été confirmée par les mesures de photoluminescence. Pour une éventuelle transposition industrielle, le résultat ne fournit donc pas une permission générale de travailler en atmosphère humide : il définit au contraire une fenêtre de fonctionnement à respecter pour ce procédé et ces matériaux.

En quoi cette méthode diffère-t-elle de la recherche classique ?

La différence principale tient au choix des expériences. Dans un protocole classique, les scientifiques peuvent être amenés à couvrir une large grille de paramètres, ou à sélectionner les essais au fil de leur expérience. AutoBot conserve la logique expérimentale, mais ajoute une capacité de calcul qui relie automatiquement les mesures aux conditions de fabrication.

Dans l’étude, cette approche a réduit de manière radicale le volume d’essais requis. La plateforme a exploré les combinaisons en quelques semaines, alors qu’un processus conventionnel peut durer jusqu’à une année. Ce gain de temps pourrait permettre aux équipes de consacrer davantage d’énergie à l’interprétation des phénomènes, à la validation de résultats inattendus et à la recherche de nouveaux matériaux.

Il convient néanmoins de distinguer optimisation de laboratoire et production industrielle. Identifier rapidement une recette prometteuse est une étape décisive, mais elle ne suffit pas à établir une ligne de fabrication commerciale. Il faut ensuite vérifier la reproductibilité à plus grande échelle, la stabilité des matériaux, les coûts, la disponibilité des équipements et les performances du dispositif final.

Vers des laboratoires d’optimisation autonomes

La configuration d’AutoBot pose les bases de ce que les chercheurs décrivent comme des laboratoires d’optimisation autonome. Dans cette vision, les instruments ne se contentent plus d’exécuter une liste fixe d’expériences. Ils peuvent utiliser les résultats obtenus pour choisir les tests suivants dans le cadre défini par les scientifiques.

L’intérêt potentiel dépasse les seuls films de pérovskites. Le principe consistant à associer synthèse robotisée, caractérisation rapide, fusion de données et apprentissage automatique peut être étendu à une large gamme de matériaux et de dispositifs, à condition de définir les bons critères de qualité et les bonnes mesures. Pour les laboratoires, l’enjeu est d’accélérer la phase où l’on cherche une formulation, un procédé ou un réglage particulièrement performant parmi un grand nombre de candidats.

Cette évolution appelle aussi de la rigueur. Plus le système devient autonome dans le déroulement des essais, plus la qualité des données, la traçabilité des protocoles et la pertinence du score optimisé deviennent déterminantes. Une machine peut explorer vite, mais elle ne peut trouver que ce que les critères de mesure lui permettent de reconnaître.

Ce qu’il faut surveiller

Les prochains développements d’AutoBot dépendront de sa capacité à passer d’une démonstration sur des films de pérovskites à d’autres familles de matériaux et à d’autres objectifs de performance. Il faudra notamment vérifier si la rapidité d’apprentissage observée avec plus de 5 000 combinaisons se retrouve lorsque les variables de synthèse, les techniques de caractérisation ou les propriétés visées changent.

L’autre enjeu sera la transition entre la recette identifiée par le laboratoire et un procédé suffisamment robuste pour une production à plus grande échelle. La fenêtre d’humidité de 5 % à 25 % découverte lors de ces essais montre déjà l’utilité concrète d’une optimisation automatisée : elle transforme une contrainte environnementale générale en une plage de conditions mesurable et exploitable. C’est cette capacité à réduire l’incertitude expérimentale qui pourrait faire des plateformes comme AutoBot un outil majeur de la science des matériaux.