Des cellules solaires en pérovskite à 26,2 % grâce à l’apprentissage automatique

Trouver un nouveau matériau photovoltaïque ne consiste pas simplement à mélanger quelques substances dans un laboratoire. Les chercheurs doivent naviguer parmi un nombre immense de molécules possibles, comprendre leurs propriétés électroniques, les synthétiser, puis vérifier leur comportement dans un véritable dispositif. Publiée en 2024 dans la revue Science, une étude internationale montre comment l’apprentissage automatique peut rendre cette exploration beaucoup plus ciblée. Son résultat le plus marquant est une cellule solaire en pérovskite affichant 26,2 % de rendement, un niveau très proche du record de 26,7 % évoqué par les auteurs.

Cette avancée ne signifie pas que l’intelligence artificielle a, seule, inventé une cellule solaire prête à être installée sur un toit. Elle illustre plutôt une transformation de la recherche en matériaux : les algorithmes servent à choisir plus intelligemment quelles pistes chimiques méritent des expériences longues et coûteuses. Dans ce cas précis, ils ont aidé les scientifiques à concevoir un matériau de transport de trous adapté aux cellules en pérovskite.

Pourquoi les cellules solaires en pérovskite intéressent autant la recherche

Une cellule photovoltaïque convertit une partie de la lumière reçue en électricité. Lorsqu’un matériau semi-conducteur absorbe les photons, il fait apparaître des charges électriques : des électrons et des « trous », qui correspondent à l’absence d’un électron. Pour produire un courant utile, ces charges doivent être extraites et dirigées dans les bonnes couches du dispositif sans se perdre en chemin.

Les pérovskites constituent une famille de matériaux qui attire une attention considérable dans le photovoltaïque. Leur intérêt tient notamment à leur potentiel de rendement élevé. Mais pour faire progresser les performances, chaque couche qui entoure le matériau absorbant compte. Une cellule n’est pas uniquement composée de pérovskite : elle associe plusieurs couches aux fonctions complémentaires, dont des couches chargées de recueillir et transporter les charges électriques.

Dans l’étude, les chercheurs se sont concentrés sur les matériaux de transport de trous, souvent désignés par le sigle HTM, pour hole-transport materials. Après absorption de la lumière, ces matériaux doivent faciliter l’acheminement des trous vers l’électrode appropriée. Leur qualité peut influer directement sur l’efficacité de la cellule : un mauvais transport ou des pertes de charges réduisent la part de lumière effectivement convertie en électricité.

Le problème : explorer plus d’un million de molécules possibles

La découverte de matériaux repose traditionnellement sur une combinaison de connaissances chimiques, de simulations et d’essais en laboratoire. Cette méthode a produit de nombreuses avancées, mais elle se heurte à une difficulté majeure : l’espace des molécules envisageables est gigantesque. Tester physiquement chaque idée est irréaliste.

L’équipe à l’origine de l’étude a choisi une démarche dite de conception inverse. Au lieu de partir d’une structure moléculaire connue et de chercher comment l’améliorer par petites touches, les chercheurs ont défini l’objectif, obtenir un matériau de transport de trous performant dans une cellule en pérovskite, puis ont laissé le système aider à repérer des candidats appropriés dans un vaste ensemble de données.

Le point de départ regroupait plus d’un million de molécules. De cet ensemble, les scientifiques ont sélectionné 101 molécules pour les synthétiser et les tester. Ce passage d’un espace chimique immense à une série d’expériences concrètes donne une idée du rôle de l’apprentissage automatique : il ne remplace pas les mesures, mais il aide à décider lesquelles ont le plus de valeur scientifique.

Comment l’algorithme a appris à sélectionner les bons candidats

L’élément décisif de cette méthode est la boucle entre calcul, synthèse et expérimentation. Les chercheurs ont d’abord fabriqué les matériaux sélectionnés, puis construit et testé des cellules solaires avec ces composants. Les données issues de ces essais ont alimenté l’algorithme d’apprentissage automatique.

Cette étape est essentielle. Un modèle informatique peut repérer des corrélations dans des données moléculaires, mais le comportement réel d’un matériau dépend aussi de son intégration dans une cellule complète. Une molécule théoriquement intéressante peut se révéler difficile à synthétiser ou moins efficace que prévu une fois déposée dans le dispositif. Les tests physiques permettent donc de confronter les prédictions aux contraintes du laboratoire.

À partir de ces résultats, les chercheurs ont entraîné leur algorithme et mené plusieurs itérations. L’outil a finalement proposé 24 candidats considérés comme les plus prometteurs. L’approche ne repose pas sur une prédiction isolée, mais sur un cycle dans lequel les expériences améliorent progressivement la capacité du système à choisir les matériaux suivants.

Les travaux mentionnent également la caractérisation des molécules par des calculs de théorie de la fonctionnelle de la densité, ou DFT. Cette famille de méthodes de chimie quantique permet d’estimer des propriétés électroniques à partir de la structure d’une molécule. L’apprentissage automatique peut exploiter ce type d’informations, ainsi que les résultats expérimentaux, pour faire émerger des candidats susceptibles de convenir à une fonction précise dans une cellule solaire.

Une efficacité de 26,2 %, à 0,5 point du record cité

Le matériau de transport de trous issu de cette démarche a été intégré dans des cellules solaires en pérovskite. La meilleure performance rapportée atteint 26,2 % d’efficacité. Le record alors cité pour ce type de cellule est de 26,7 %. L’écart est donc de 0,5 point de pourcentage.

Cette proximité est notable pour deux raisons. D’abord, elle montre que les matériaux sélectionnés par le flux de travail ne sont pas seulement intéressants sur le papier : l’un d’eux a permis d’obtenir une performance très élevée dans une cellule fonctionnelle. Ensuite, elle suggère que l’IA peut contribuer à rivaliser avec les meilleures approches existantes, tout en explorant des options moléculaires qui auraient pu rester invisibles dans une recherche plus conventionnelle.

Il faut toutefois lire ce chiffre avec précision. Un rendement maximal de cellule est un indicateur central de performance, mais il ne résume pas à lui seul toutes les conditions nécessaires au déploiement d’une technologie photovoltaïque. Les résultats doivent aussi pouvoir être reproduits, les matériaux doivent conserver leurs propriétés dans le temps, et les procédés de fabrication doivent pouvoir passer de l’échelle du laboratoire à une production plus large. L’étude porte ici sur l’identification d’un composant performant et sur la validation de cette stratégie de découverte.

Pourquoi l’apprentissage automatique est utile à la science des matériaux

Dans ce type de recherche, l’IA n’est pas employée comme une machine qui fournirait instantanément une formule chimique parfaite. Son avantage est de traiter de grandes quantités de données et de hiérarchiser les possibilités. Chaque expérience évitée représente potentiellement du temps, de la matière et du travail de laboratoire économisés. À l’inverse, les expériences les plus pertinentes servent à améliorer le modèle.

Cette logique est particulièrement adaptée aux matériaux fonctionnels. Une même molécule peut posséder des caractéristiques prometteuses, tout en étant mal adaptée à un usage précis. Dans une cellule solaire en pérovskite, le matériau de transport de trous doit interagir correctement avec les autres couches, favoriser l’extraction des charges et contribuer au bon fonctionnement global de l’architecture. La cible n’est donc pas une propriété abstraite, mais une performance observée dans un dispositif.

L’étude publiée dans Science montre aussi l’intérêt de l’« inverse design », ou conception inverse. La méthode part du résultat recherché et remonte vers les matériaux qui ont le plus de chances de l’atteindre. Elle contraste avec une démarche fondée exclusivement sur l’exploration de familles moléculaires déjà bien connues. Cette ouverture est importante dans un domaine où le nombre des combinaisons possibles dépasse largement ce qu’un laboratoire peut tester sans aide au tri.

Ce que cette méthode ne remplace pas

Aussi sophistiqué soit-il, un algorithme dépend de la qualité des informations qui l’alimentent. Des données de mesure imprécises, des paramètres expérimentaux mal pris en compte ou un ensemble de molécules trop limité peuvent conduire à des recommandations moins pertinentes. Le modèle doit également être capable de distinguer une corrélation observée dans les données d’un mécanisme qui restera valable dans de nouvelles conditions.

La traduction d’une recommandation informatique en résultat concret exige ensuite un savoir-faire expérimental. Il faut synthétiser le composé, vérifier ses caractéristiques, l’incorporer dans une cellule, mesurer ses performances et comprendre les éventuels écarts avec les prédictions. C’est précisément la force du protocole rapporté par les chercheurs : l’apprentissage automatique est associé à une validation dans des cellules réelles, et non utilisé comme un substitut aux expériences.

Cette complémentarité évite deux écueils. Le premier serait de limiter la recherche aux matériaux déjà familiers, faute de pouvoir explorer davantage. Le second serait de croire qu’une prédiction numérique suffit à démontrer l’utilité d’un matériau. Dans cette étude, le modèle oriente les efforts humains vers des candidats plausibles, tandis que le laboratoire apporte la preuve de performance.

Ce qu’il faut surveiller dans la suite des travaux

La performance de 26,2 % place cette démonstration très près du record de 26,7 % cité en décembre 2024. La question qui se pose désormais est moins de savoir si l’apprentissage automatique peut être utile, puisque cette étude en apporte une illustration concrète, que de déterminer jusqu’où cette approche peut être généralisée.

Les prochains travaux pourront notamment vérifier si un flux de travail comparable permet d’identifier d’autres matériaux de transport de trous, ou des composants optimisés pour d’autres fonctions dans les cellules en pérovskite. L’intérêt de la méthode réside dans son caractère itératif : de nouveaux tests peuvent enrichir les données et améliorer les choix proposés par le modèle.

Plus largement, cette recherche rappelle que l’IA appliquée aux sciences ne se mesure pas seulement à la vitesse de calcul. Sa valeur se joue dans sa capacité à raccourcir le chemin entre une hypothèse chimique, une expérience utile et un résultat vérifié. Pour les énergies renouvelables, où chaque gain de performance résulte souvent d’un grand nombre d’ajustements matériels, cette capacité de sélection pourrait devenir un levier important d’innovation.