L’IA doit relier l’ensemble du cycle de recherche sur les cellules solaires en pérovskite

L’intelligence artificielle aide les chercheurs à améliorer les cellules solaires en pérovskite, mais ses bénéfices restent largement limités aux systèmes particuliers sur lesquels les modèles sont entraînés. Une analyse publiée dans Nature Reviews Electrical Engineering par nature.com indique que les progrès à plus grande échelle dépendront de la mise en relation des outils d’IA à travers l’ensemble du cycle de recherche, plutôt que de s’appuyer sur des tâches isolées de prédiction ou d’optimisation.

Les pérovskites halogénées sont attrayantes pour la technologie solaire parce que leurs caractéristiques optiques et électroniques peuvent être ajustées, tandis que leurs coûts de fabrication peuvent être faibles. Pourtant, transformer ces avantages en déploiement industriel est difficile. Le comportement d’une cellule dépend de plusieurs choix interdépendants : la composition du matériau influe sur le déroulement du traitement, le traitement détermine la microstructure obtenue, et cette microstructure affecte les performances du dispositif.

Comme ces facteurs interagissent, une solution trouvée dans un système de matériaux ou un contexte de fabrication donné peut ne pas fonctionner lorsque la composition, les conditions de fabrication ou l’architecture du dispositif changent. Le défi ne consiste donc pas simplement à trouver la meilleure valeur pour un paramètre. Il s’agit de comprendre et de gérer une chaîne de dépendances qui s’étend à différents stades et à différentes échelles de la technologie.

Là où l’IA est déjà utile

L’IA est désormais utilisée dans quatre grands volets de la recherche sur les cellules solaires en pérovskite : la découverte de matériaux, la conception des dispositifs, l’amélioration des procédés de fabrication et l’étude de la stabilité. Lorsque des données suffisantes sont disponibles, les modèles peuvent identifier des relations et accélérer l’optimisation. Cela peut réduire les efforts nécessaires pour explorer les choix possibles dans le cadre d’un problème de recherche défini.

Les gains sont toutefois inégaux. Un modèle qui fonctionne bien pour une combinaison donnée de matériaux et de procédures peut ne pas offrir la même valeur pour une autre. De même, une prédiction solide ne révèle pas nécessairement le mécanisme responsable du résultat observé. Selon l’analyse, les systèmes actuels sont plus performants pour repérer des corrélations dans des conditions familières et riches en données que pour produire des enseignements qui restent utiles d’une composition, d’une architecture ou d’une condition de fonctionnement à l’autre.

Cet écart est important, car les cellules solaires en pérovskite ne sont pas régies par des variables indépendantes. Une modification de la composition peut affecter le traitement ; une modification du traitement peut altérer la structure du matériau ; et cette évolution structurelle peut influencer les performances et la fiabilité. Une IA qui traite chaque étape comme une tâche distincte risque de perdre des informations susceptibles de déterminer si une amélioration peut être transposée au-delà de l’expérience initiale.

Quatre obstacles à un impact plus large

L’analyse identifie quatre problèmes structurels récurrents. Premièrement, les informations pertinentes sont fragmentées et les jeux de données ne sont pas facilement interopérables. Les résultats produits dans différentes parties du processus de recherche peuvent donc être difficiles à combiner, ce qui limite ce qu’un modèle peut en apprendre conjointement.

Deuxièmement, les modèles se généralisent souvent mal d’un système à l’autre. Les schémas appris à partir d’un ensemble de compositions, d’environnements de fabrication ou de conceptions de dispositifs ne se transposent pas automatiquement à un autre. Cela restreint la valeur de l’IA en dehors des conditions représentées dans ses données d’entraînement.

Troisièmement, de nombreux modèles offrent une interprétabilité limitée et un faible ancrage physique. Une prédiction peut être utile sans expliquer pourquoi elle a été formulée, mais l’absence d’un lien clair avec le comportement sous-jacent rend plus difficile l’évaluation de la pertinence du résultat dans un nouveau contexte. Elle limite également l’extraction de connaissances fondées sur les mécanismes, qui pourraient orienter les travaux futurs.

Le quatrième problème est un décalage entre ce que l’on demande à l’IA d’optimiser et les contraintes qui déterminent la conception pratique. Un modèle peut améliorer une cible donnée tout en ne tenant pas compte des exigences plus larges d’une technologie de cellules solaires fonctionnelle. L’article présente ces difficultés comme des caractéristiques liées de la structure de recherche, plutôt que comme la preuve que de meilleurs algorithmes suffiront à résoudre le problème.

Des modèles séparés à un pipeline intégré

La réponse proposée consiste à construire une infrastructure de recherche qui relie les informations et les boucles de rétroaction dans l’ensemble du domaine. Des jeux de données multimodaux et multiniveaux pourraient rassembler des formes de données produites à différentes étapes. Des modèles fondés sur la physique et explicables pourraient rapprocher les prédictions du comportement qu’ils sont censés représenter, tout en facilitant l’évaluation de leur raisonnement.

L’analyse souligne également l’intérêt de systèmes en boucle fermée dans lesquels les prédictions de l’IA sont reliées aux retours d’expérience expérimentaux. Dans un tel pipeline, les résultats des expériences ne serviraient pas seulement de test final pour un modèle ; ils pourraient contribuer à mettre à jour le système et à orienter les choix ultérieurs. Cette organisation permettrait de transmettre les connaissances au lieu de les laisser confinées à un seul exercice d’optimisation.

L’objectif est de passer d’une prédiction spécifique à une tâche à une IA à l’échelle du système. Dans cette approche, les informations issues de la découverte de matériaux, de la conception des dispositifs, du traitement et de l’analyse de la stabilité seraient continuellement transmises, révisées et réutilisées. L’IA deviendrait une composante d’un programme intégré de découverte de matériaux, d’amélioration des dispositifs et d’évaluation de la fiabilité.

Pour le photovoltaïque à base de pérovskites, l’importance réside dans la transférabilité. Une optimisation plus rapide dans un régime étroit est utile, mais les progrès industriels nécessitent des approches capables de gérer des décisions interdépendantes concernant les compositions, les conditions de fabrication et les architectures de dispositifs. L’analyse de Nature avance que ce rôle plus large de l’IA dépendra de la préservation des connaissances tout au long du cycle de recherche, et pas simplement de l’amélioration de la précision de modèles individuels.