Un type d’intelligence artificielle appelé apprentissage automatique peut aider à augmenter la production de cellules solaires en pérovskite.
Les matériaux pérovskites seraient supérieurs au silicium dans les cellules photovoltaïques, mais la fabrication de ces cellules à grande échelle est un énorme obstacle. L’apprentissage automatique peut aider.
Les pérovskites constituent une famille de matériaux qui sont actuellement les principaux candidats au remplacement des cellules solaires photovoltaïques à base de silicium, largement utilisées aujourd’hui. Elles promettent des panneaux beaucoup plus légers et plus minces, qui pourraient être fabriqués en grandes quantités et à très haut débit à température ambiante plutôt qu’à des centaines de degrés, et qui seraient plus faciles et moins chers à transporter et à installer. Mais faire passer ces matériaux de petites expériences de laboratoire à un produit pouvant être fabriqué de manière compétitive a été une lutte de longue haleine.
La production de cellules solaires à base de pérovskite implique l’optimisation d’au moins une douzaine de variables à la fois, même dans le cadre d’une approche de fabrication particulière parmi de nombreuses possibilités. Cependant, un nouveau système basé sur une nouvelle approche de l’apprentissage automatique pourrait accélérer le développement de méthodes de production optimisées et contribuer à faire de la prochaine génération d’énergie solaire une réalité.
Le système, mis au point par des chercheurs de MIT and Stanford University over the last few years, makes it possible to integrate data from prior experiments, and information based on personal observations by experienced workers, into the machine learning process. This makes the outcomes more accurate and has already led to the manufacturing of perovskite cells with an energy conversion efficiency of 18.5 percent, which is a competitive level for today’s market.
The optimized production of perovskite solar cells could be sped up thanks to a new machine learning system. Credit: Photo of solar cell by Nicholas Rolston, Stanford, and edited by MIT News. Perovskite illustration by Christine Daniloff, MIT
The research was recently published in the journal Joule, in a paper by MIT professor of mechanical engineering Tonio Buonassisi, Stanford professor of materials science and engineering Reinhold Dauskardt, recent MIT research assistant Zhe Liu, Stanford doctoral graduate Nicholas Rolston, and three others.
Perovskites are a group of layered crystalline compounds defined by the configuration of the atoms in their crystal lattice. There are thousands of such possible compounds and many different ways of making them. While most lab-scale development of perovskite materials uses a spin-coating technique, that’s not practical for larger-scale manufacturing, so companies and labs around the world have been searching for ways of translating these lab materials into a practical, manufacturable product.
“There’s always a big challenge when you’re trying to take a lab-scale process and then transfer it to something like a startup or a manufacturing line,” says Rolston, who is now an assistant professor at Arizona State University. The team looked at a process that they felt had the greatest potential, a method called rapid spray plasma processing, or RSPP.
The manufacturing process would involve a moving roll-to-roll surface, or series of sheets, on which the precursor solutions for the perovskite compound would be sprayed or ink-jetted as the sheet rolled by. The material would then move on to a curing stage, providing a rapid and continuous output “with throughputs that are higher than for any other photovoltaic technology,” Rolston says.
“The real breakthrough with this platform is that it would allow us to scale in a way that no other material has allowed us to do,” he adds. “Even materials like silicon require a much longer timeframe because of the processing that’s done. Whereas you can think of [this approach as more] comme la peinture à la bombe.”
Dans ce processus, au moins une douzaine de variables peuvent affecter le résultat, certaines étant plus contrôlables que d’autres. Il s’agit notamment de la composition des matériaux de départ, de la température, de l’humidité, de la vitesse du processus de traitement, de la distance de la buse utilisée pour pulvériser le matériau sur un substrat et des méthodes de durcissement du matériau. Nombre de ces facteurs peuvent interagir les uns avec les autres, et si le processus se déroule à l’air libre, l’humidité, par exemple, peut être incontrôlée. Il est impossible d’évaluer toutes les combinaisons possibles de ces variables par l’expérimentation, c’est pourquoi l’apprentissage automatique était nécessaire pour aider à guider le processus expérimental.
Mais si la plupart des systèmes d’apprentissage automatique utilisent des données brutes telles que les mesures des propriétés électriques et autres des échantillons testés, ils n’intègrent généralement pas l’expérience humaine telle que les observations qualitatives faites par les expérimentateurs sur les propriétés visuelles et autres des échantillons testés, ou les informations provenant d’autres expériences rapportées par d’autres chercheurs. L’équipe a donc trouvé un moyen d’intégrer ces informations extérieures dans le modèle d’apprentissage automatique, en utilisant un facteur de probabilité basé sur une technique mathématique appelée optimisation bayésienne.
En utilisant le système, dit-il, “en ayant un modèle qui provient des données expérimentales, nous pouvons découvrir des tendances que nous n’étions pas capables de voir auparavant.” Par exemple, ils ont eu initialement du mal à s’adapter aux variations incontrôlées de l’humidité dans leur environnement. Mais le modèle leur a montré “que nous pouvions surmonter nos problèmes d’humidité en modifiant la température, par exemple, et en changeant certains des autres boutons”.
Le système permet désormais aux expérimentateurs de guider beaucoup plus rapidement leur processus afin de l’optimiser pour un ensemble donné de conditions ou de résultats requis. Dans leurs expériences, l’équipe s’est concentrée sur l’optimisation de la puissance de sortie, mais le système pourrait également être utilisé pour intégrer simultanément d’autres critères, tels que le coût et la durabilité – un aspect sur lequel les membres de l’équipe continuent de travailler, selon M. Buonassisi.
Les scientifiques ont été encouragés par le Département de l’énergie, qui a parrainé les travaux, à commercialiser la technologie, et ils se concentrent actuellement sur le transfert de technologie vers les fabricants de pérovskite existants. “Nous nous adressons maintenant à des entreprises”, explique M. Buonassisi, et le code qu’ils ont développé a été mis gratuitement à disposition sur un serveur open-source. “Il est maintenant sur GitHub, tout le monde peut le télécharger, tout le monde peut l’exécuter”, dit-il. “Nous sommes heureux d’aider les entreprises à se lancer dans l’utilisation de notre code”.
Déjà, plusieurs entreprises se préparent à produire des panneaux solaires à base de pérovskite, même si elles sont encore en train de régler les détails de leur fabrication, explique Liu, qui se trouve maintenant à l’Université polytechnique du Nord-Ouest, à New York.Xi’an, en Chine. Selon lui, les entreprises de cette région ne se lancent pas encore dans la fabrication à grande échelle, mais plutôt dans des applications plus petites et à forte valeur ajoutée, comme les tuiles solaires intégrées aux bâtiments, où l’apparence est importante. Trois de ces entreprises “sont sur le point de fabriquer des modules rectangulaires de 1 mètre sur 2 mètres ou sont poussées par des investisseurs à le faire”. [comparable to today’s most common solar panels]d’ici deux ans”, dit-il.
Le problème est qu’il n’y a pas de consensus sur la technologie de fabrication à utiliser”, ajoute M. Liu. La méthode RSPP, développée à Stanford, “a encore de bonnes chances” d’être compétitive, dit-il. Et le système d’apprentissage automatique mis au point par l’équipe pourrait s’avérer important pour guider l’optimisation du processus utilisé, quel qu’il soit.
“L’objectif principal était d’accélérer le processus, de sorte qu’il fallait moins de temps, moins d’expériences et moins d’heures de travail pour développer quelque chose qui soit utilisable immédiatement, gratuitement, par l’industrie”, dit-il.
“Les travaux existants sur la fabrication de PV pérovskite pilotée par apprentissage machine se concentrent en grande partie sur le spin-coating, une technique à l’échelle du laboratoire”, explique Ted Sargent, professeur d’université à l’Université de Toronto, qui n’a pas été associé à ces travaux qui, selon lui, démontrent “un flux de travail facilement adaptable aux techniques de dépôt qui dominent l’industrie des couches minces”. Seule une poignée de groupes disposent de l’expertise simultanée en ingénierie et en calcul pour réaliser de telles avancées.” Sargent ajoute que cette approche “pourrait constituer une avancée passionnante pour la fabrication d’une famille plus large de matériaux”, notamment les LED, d’autres technologies photovoltaïques et graphene, “in short, any industry that uses some form of vapor or vacuum deposition.”
Reference: “Machine learning with knowledge constraints for process optimization of open-air perovskite solar cell manufacturing” by Zhe Liu, Nicholas Rolston, Austin C. Flick, Thomas W. Colburn, Zekun Ren, Reinhold H. Dauskardt and Tonio Buonassisi, 13 April 2022, Joule.
DOI: 10.1016/j.joule.2022.03.003
The team also included Austin Flick and Thomas Colburn at Stanford and Zekun Ren at the Singapore-MIT Alliance for Science and Technology (SMART). In addition to the Department of Energy, the work was supported by a fellowship from the MIT Energy Initiative, the Graduate Research Fellowship Program from the National Science Foundation, and the SMART program.
