Une sonde robotique du MIT accélère l’analyse des matériaux pour l’énergie

Trouver un matériau prometteur ne consiste pas seulement à le fabriquer : il faut ensuite mesurer ses propriétés avec assez de précision et de rapidité pour distinguer une piste utile d’une impasse. Dans la recherche sur les semi-conducteurs, cette étape de caractérisation peut devenir un goulot d’étranglement. Des chercheurs du MIT proposent d’en automatiser une partie avec une sonde robotique capable d’enchaîner les mesures de photoconductance sur des échantillons aux formes variées.

Le résultat mis en avant est une cadence particulièrement élevée : plus de 3 000 mesures uniques en 24 heures, soit plus de 125 par heure. Le système associe une sonde physique, une analyse d’images, un réseau de neurones et un algorithme de planification des mouvements. Son ambition n’est pas de remplacer les scientifiques, mais de leur fournir plus vite des données détaillées pour orienter la mise au point de nouveaux matériaux, notamment pour l’énergie solaire.

Pourquoi la caractérisation des matériaux ralentit-elle la recherche ?

Les matériaux semi-conducteurs sont au cœur de nombreux dispositifs électroniques et énergétiques. Dans le cas du photovoltaïque, les équipes cherchent notamment des matériaux capables de convertir plus efficacement la lumière en électricité, tout en restant suffisamment stables pour être exploitables. Les pérovskites et d’autres familles de matériaux font ainsi l’objet de nombreuses recherches.

Mais un échantillon ne se comporte pas nécessairement de manière uniforme. Sa surface peut présenter des zones plus performantes, des défauts, des dégradations ou des variations liées à sa fabrication. Une mesure prise à un seul endroit donne donc une information limitée. Pour comprendre véritablement le comportement d’un matériau, il peut être nécessaire de multiplier les points de mesure et de les relier à leur position précise sur l’échantillon.

C’est là que les méthodes classiques deviennent coûteuses en temps. Positionner une sonde à plusieurs endroits, garantir un contact approprié, éviter les zones inadaptées et répéter l’opération demandent de la rigueur. Chaque matériau pouvant adopter une forme différente, il ne suffit pas de programmer une série de coordonnées fixes. Le système doit d’abord comprendre où et comment prendre les mesures.

La photoconductance, une propriété clé sous l’effet de la lumière

La propriété étudiée par le dispositif du MIT est la photoconductance. Elle désigne la façon dont la conductance électrique d’un matériau réagit lorsqu’il est exposé à la lumière. Autrement dit, elle renseigne sur l’évolution de la capacité du matériau à conduire le courant sous illumination.

Cette information est particulièrement intéressante pour les matériaux destinés aux cellules solaires et, plus largement, à des composants électroniques sensibles à la lumière. Une photoconductance élevée dans certaines zones peut signaler un comportement favorable. À l’inverse, des zones moins performantes ou qui se dégradent constituent des indices précieux sur les limites du matériau ou de son procédé de fabrication.

La sonde robotique ne se contente donc pas de fournir une valeur moyenne pour l’ensemble d’un échantillon. En multipliant les mesures localisées, elle permet de construire une représentation plus fine des variations internes du matériau.

Comment la sonde choisit-elle les bons points de contact ?

Le cœur de l’innovation réside dans la coordination entre perception et action. Le système commence par acquérir une image de l’échantillon. Celle-ci est découpée en segments, puis transmise à un réseau de neurones chargé d’identifier les zones où la sonde peut établir les contacts les plus utiles à la mesure.

Le modèle est auto-supervisé. Cette caractéristique est importante : il n’a pas besoin d’un vaste jeu d’images annotées manuellement pour apprendre à repérer chaque point pertinent. Il détermine les points de contact directement à partir de l’image du matériau. Cela réduit la dépendance à une préparation laborieuse de données étiquetées, souvent nécessaire dans les approches classiques d’apprentissage automatique.

Les chercheurs ont aussi intégré au modèle des connaissances issues de la science des matériaux. Cette étape rappelle une limite fréquente de l’automatisation scientifique : un algorithme ne travaille pas dans le vide. Pour produire une mesure utile, il doit tenir compte de contraintes expérimentales concrètes, comme la forme de l’échantillon et les conditions nécessaires à un bon contact.

Les connaissances accumulées par les spécialistes restent donc déterminantes. Elles servent à orienter la conception du système, à interpréter les résultats et à décider quelles pistes expérimentales méritent d’être explorées ensuite. Le robot apporte surtout une répétabilité et une vitesse difficiles à maintenir sur des milliers d’opérations successives.

Une planification des mouvements pensée pour gagner du temps

Choisir les bons points ne suffit pas : il faut encore que la sonde s’y déplace efficacement. Lorsqu’un grand nombre de mesures est demandé, les déplacements inutiles peuvent réduire fortement le débit global du système. L’équipe a donc optimisé la planification de trajectoire de la sonde afin de raccourcir le temps passé à circuler d’un point à l’autre.

Un résultat technique ressort de ces travaux : les chercheurs ont constaté qu’un léger ajout de bruit dans l’algorithme de planification pouvait accélérer la recherche du chemin le plus court. L’idée peut sembler contre-intuitive. En informatique, introduire une petite part de variation contrôlée peut toutefois aider une méthode à ne pas s’enfermer trop vite dans une solution locale et à explorer plus efficacement les trajectoires possibles.

Cette optimisation est essentielle dans un dispositif autonome. Le gain ne vient pas d’un seul élément spectaculaire, mais de l’addition de plusieurs choix : identifier les zones pertinentes, positionner correctement la sonde, mesurer de manière fiable, puis aller rapidement au point suivant.

Plus de 3 000 mesures en une journée : qu’apporte cette cadence ?

Pendant un test de 24 heures, la sonde a effectué plus de 125 mesures uniques par heure, pour un total dépassant 3 000 mesures de photoconductance. Selon les chercheurs, le dispositif a affiché une précision et une fiabilité supérieures à celles des méthodes existantes reposant sur l’intelligence artificielle.

Une telle densité de mesures enrichit considérablement le jeu de données disponible. Plutôt que de s’appuyer sur quelques observations isolées, les scientifiques peuvent examiner comment les propriétés électriques évoluent d’une zone à l’autre. Ils peuvent également repérer des régions présentant une photoconductance plus élevée et d’autres montrant des signes de dégradation.

Cette différence est importante pour la recherche expérimentale. Un matériau peut paraître performant dans une mesure ponctuelle tout en présentant des défauts localisés susceptibles de limiter son utilisation. À l’inverse, une zone particulièrement intéressante peut donner une piste sur une composition, une structure ou une condition de fabrication à approfondir.

Un laboratoire autonome, mais pas une science sans humains

Le projet illustre l’essor des systèmes autonomes pour la science des matériaux. Ces installations combinent généralement des instruments de laboratoire, des robots, des logiciels de contrôle et des méthodes d’apprentissage automatique. Leur objectif est d’accélérer le cycle expérimental : mesurer, analyser, sélectionner les essais suivants et recommencer.

Dans le cas du MIT, le système réunit des compétences en matériel, en logiciel et en science des matériaux. Cette dimension pluridisciplinaire est centrale. La performance de la sonde dépend autant de sa mécanique et de sa capacité à établir un contact précis que du modèle chargé d’interpréter l’image ou de l’algorithme qui organise ses déplacements.

L’autonomie ne signifie pas que les chercheurs deviennent superflus. Les experts définissent les questions scientifiques, apportent les connaissances de domaine injectées dans le modèle, contrôlent la pertinence des mesures et interprètent ce qu’elles signifient. Un robot peut explorer méthodiquement une surface pendant des heures, mais il ne décide pas seul qu’une anomalie constitue une découverte importante ni comment transformer une observation en technologie exploitable.

Ce qu’il faut surveiller pour les matériaux solaires

Les chercheurs prévoient de poursuivre le développement de leur plateforme afin de parvenir à un laboratoire entièrement autonome consacré à la découverte de matériaux performants. Les applications durables, dont les panneaux solaires, figurent parmi les objectifs envisagés.

La prochaine étape ne se résumera pas à augmenter encore le nombre de mesures. Il faudra vérifier que l’approche conserve son efficacité sur des matériaux différents, aux surfaces et aux propriétés variées. Il sera également crucial de relier les grandes quantités de données produites à des décisions expérimentales concrètes : quelles zones étudier davantage, quels matériaux comparer et quelles caractéristiques privilégier pour une application donnée.

Si cette chaîne peut fonctionner de façon robuste, la robotique et l’intelligence artificielle pourraient réduire le délai entre la fabrication d’un nouveau matériau et l’identification de ses qualités ou de ses défauts. Pour le photovoltaïque comme pour d’autres domaines de l’électronique, l’enjeu est moins de faire disparaître l’expérimentation humaine que de la rendre plus rapide, plus systématique et mieux informée.