🔬 materials science

LLM tools in the prediction of the stability of perovskite solar cells

Cet article démontre que les grands modèles de langage comme ChatGPT et DeepSeek peuvent aider efficacement à prédire la stabilité et les taux de dégradation des cellules solaires à pérovskite en suggérant et en justifiant des méthodes de prédiction par le biais du dialogue, même lorsque les modèles physiques et les données environnementales sont incomplets.

Auteurs originaux : S. Frenkel, V. Zakharov, E. A. Katz

Publié 2026-01-27

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : S. Frenkel, V. Zakharov, E. A. Katz

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La vue d'ensemble : Prédire la « santé » des cellules solaires

Imaginez que vous avez construit un nouveau type de cellule solaire (une cellule solaire à pérovskite, ou CSP). C'est comme un panneau solaire de haute technologie, ultra-efficace et peu coûteux à fabriquer. Mais il y a un piège : ces panneaux sont fragiles. Ils ont tendance à « tomber malades » (se dégrader) rapidement lorsqu'ils sont exposés au soleil, à la pluie, à la chaleur et à l'humidité.

Les scientifiques de cet article veulent répondre à une question simple : « Combien de temps ce panneau solaire durera-t-il avant de ne plus fonctionner correctement ? »

Habituellement, pour répondre à cela, il faut construire le panneau et le laisser dehors pendant des années pour voir ce qui se passe. Mais cela prend trop de temps, et nous nons pas encore assez de données car ces cellules solaires sont très récentes. Alors, les auteurs se sont demandé : Peut-on utiliser l'Intelligence Artificielle (plus précisément des « Chatbots » comme ChatGPT) pour prédire cette durée de vie sans attendre des années ?

Les personnages principaux

Le panneau solaire (CSP) : Un nouveau collecteur d'énergie efficace, mais sujet à la panne.
La météo : L'ennemi. Le soleil, la chaleur et l'humidité sont ce qui fait vieillir les panneaux.
L'IA (ChatGPT/DeepSeek) : Le « Détective Numérique ». Les chercheurs ne se sont pas contentés de demander un chiffre à l'IA ; ils lui ont demandé d'agir comme un scientifique, en trouvant d'anciennes publications de recherche, en rassemblant des données météorologiques et en construisant un modèle mathématique pour deviner l'avenir.

Comment ils ont procédé : La « Machine à remonter le temps numérique »

Les chercheurs ont traité l'IA comme un assistant intelligent dans une conversation. Voici le processus étape par étape qu'ils ont utilisé, expliqué avec une analogie :

1. Le problème de la « Recette » (L'ontologie)
Imaginez que vous essayez de cuisiner un gâteau, mais que vous ne connaissez pas les ingrédients. Si vous demandez à un chef : « Comment faire ce gâteau ? », il a besoin de savoir ce qu'est un « gâteau », ce qu'est de la « farine » et comment la « chaleur » l'affecte.
Les chercheurs ont enseigné à l'IA le « vocabulaire » des cellules solaires. Ils lui ont demandé de construire une carte mentale (appelée ontologie) de tout ce qui compte :

Couches : De quoi est composée la cellule solaire (comme les couches d'un sandwich).
Facteurs de stress : Ce qui lui fait du mal (chaleur, lumière UV, humidité).
Récupération : Parfois, les cellules solaires tombent un peu malades, se reposent dans l'obscurité et se rétablissent. L'IA devait comprendre que « guérir » fait partie de l'histoire, et pas seulement « empirer ».

2. Rassembler les indices (La chasse aux données)
Les chercheurs ont demandé à l'IA de trouver des données réelles.

La météo : L'IA est allée consulter des archives météorologiques numériques (comme une immense bibliothèque de la météo passée) pour savoir exactement quel temps il a fait à Berlin en 2023, en termes de chaleur et d'ensoleillement.
Les résultats de laboratoire : L'IA a fouillé dans les articles scientifiques pour trouver des données sur la façon dont des panneaux solaires similaires s'étaient comportés par le passé.
La solution « Synthétique » : Comme ils ne possédaient pas un ensemble de données réelles parfaites pour chaque jour, l'IA a créé un « Jeu de données synthétiques ». Voyez cela comme un simulateur de vol. L'IA n'a pas simplement deviné ; elle a construit une chronologie « fictive » réaliste de la façon dont le panneau solaire devrait se comporter, en se basant sur la physique apprise dans les livres et la météo trouvée en ligne.

3. Le jeu de la prédiction
Une fois que l'IA avait eu son « simulateur de vol » (les données synthétiques) et l'historique météo, les chercheurs lui ont demandé de prédire l'avenir.

Ils ont donné à l'IA les données des six premiers mois de l'année.
Ils lui ont demandé de prédire ce qui se passerait en septembre, octobre et novembre.
L'IA a utilisé deux « moteurs mathématiques » différents (l'un appelé XGBoost et un autre appelé modèle « Ornstein-Uhlenbeck ») pour formuler sa supposition.

Les résultats : L'IA a-t-elle vu juste ?

L'article affirme que l'IA a fait un travail étonnamment efficace.

Elle a repéré le « Blues de l'hiver » : L'IA a correctement prédit que l'efficacité du panneau solaire chuterait considérablement à l'automne/hiver (en raison de la baisse de soleil et du froid) et qu'elle se rétablirait légèrement lorsque les conditions changeraient.
Elle a géré la « Maladie » : L'IA a compris que le panneau ne meurt pas de manière linéaire ; il connaît des hauts et des bas. Elle a pu prédire quand le panneau descendrait en dessous d'un niveau « sûr » (comme tomber à 80 % de sa puissance d'origine).

Le tour de force de la « Non-déterminisme »

L'article mentionne une particularité amusante de l'IA appelée Non-déterminisme.

L'analogie : Si vous demandez à un humain « Qu'est-ce qu'on mange ce soir ? », il peut répondre « Pizza » aujourd'hui et « Pâtes » demain, même si vous posez la question exactement de la même manière.
Le bénéfice : Les auteurs soutiennent que c'est en fait une bonne chose. Parce que l'IA donne des réponses légèrement différentes à chaque fois, elle explore différents angles du problème. Parfois, elle se concentre sur la chaleur ; d'autres fois, sur l'humidité. En combinant ces différentes « opinions », les chercheurs ont obtenu une image plus complète de la vie du panneau solaire.

L'essentiel à retenir

L'article conclut que ChatGPT et des outils similaires sont prêts à aider les scientifiques du solaire.

Ils peuvent servir de pont entre les données du monde réel, souvent désordonnées ou incomplètes, et les mathématiques complexes nécessaires pour prédire l'avenir.
Ils peuvent trouver des connexions cachées dans les anciennes recherches que les humains pourraient manquer.
Ils peuvent simuler des années de météo et de dégradation en quelques minutes, aidant les scientifiques à décider quels modèles de cellules solaires valent la peine d'être construits et lesquels échoueront trop rapidement.

En bref : Les chercheurs ont utilisé un chatbot d'IA intelligent pour lire le manuel d'utilisation des cellules solaires, vérifier l'historique de la météo et lancer une simulation pour nous dire combien de temps ces nouveaux panneaux solaires dureront, prouvant ainsi que l'IA peut être un partenaire utile pour résoudre des problèmes d'ingénierie complexes.

Résumé technique : Les outils LLM dans la prédiction de la stabilité des cellules solaires à pérovskite

Énoncé du problème
Le développement des cellules solaires à pérovskite (PSC) est entravé par des problèmes de stabilité, plus précisément la dégradation de l'efficacité de conversion de puissance (PCE) au fil du temps. Prédire la durée de vie (LT), souvent définie comme le T80 (temps pour atteindre 80 % de l'efficacité initiale), est critique mais difficile. Les approches traditionnelles d'apprentissage automatique (ML) statistique peinent en raison du manque de données de terrain à long terme représentatives (les PSC nécessitent plus de 25 ans, mais l'histoire de la recherche est courte) et de la difficulté de reproduire les facteurs environnementaux complexes en extérieur (météo, spectre, charge) lors de tests accélérés en laboratoire. De plus, les systèmes existants de LLM multi-agents pour la conception des PSC manquent souvent d'intégration avec des modèles de dégradation basés sur la physique et nécessitent une expertise importante en programmation. Cet article étudie si les modèles de langage étendus (LLM) standards, tels que ChatGPT et DeepSeek, peuvent aider de manière indépendante à prédire les tendances de dégradation et la durée de vie des PSC dans des conditions d'informations incomplètes et de rareté des données.

Méthodologie
Les auteurs proposent un cadre où le LLM agit comme un partenaire de dialogue pour un chercheur en PSC, guidant la construction de modèles de prédiction sans nécessiter de sous-modèles multi-agents personnalisés. La méthodologie repose sur les composantes suivantes :

Construction de l'ontologie : L'étude définit une ontologie de domaine sujet pour la prédiction de la durée de vie des PSC. Cela inclut des entités telles que DegradationPhase (phase de dégradation), RecoveryPhase (phase de récupération), ReversibleMechanism (mécanisme réversible, ex: migration ionique) et IrreversibleMechanism (mécanisme irréversible). Le LLM est interrogé pour générer cette ontologie, garantissant qu'elle capture à la fois la dégradation monotone et les comportements non monotones (auto-récupération).
Synthèse et intégration des données : Reconnaissant la rareté des données de terrain publiques à haute résolution pour des architectures spécifiques, les auteurs utilisent le LLM pour générer des séries temporelles « synthétiques ». Le LLM identifie les bases de données météorologiques pertinentes (ex: DWD, ERA5, PVGIS) pour des lieux spécifiques (ex: Berlin) et les combine avec des modèles de dégradation mathématiques (Arrhenius, Eyring, processus stochastiques d'Ornstein-Uhlen-Uhlen) pour simuler les trajectoires quotidiennes de la PCE.
Sélection et validation des modèles : Le LLM est chargé de sélectionner les algorithmes de ML appropriés (ex: XGBoost, Forêt aléatoire, modèles hybrides XGB+OU) et de définir les stratégies d'ingénierie des caractéristiques (feature engineering). Il incorpore des paramètres environnementaux (irradiance, température, humidité, UV) et des détails architecturaux (composition des couches) comme entrées.
Flux de travail piloté par le dialogue : Le processus est mené via une interface de chat où l'« utilisateur » (chercheur) fournit des contraintes (architecture, emplacement, intervalle de temps), et le LLM suggère des sources de données, des architectures de modèles et des métriques de validation (RMSE, MAE, $R^2$ ). Le LLM traite également le non-déterminisme de ses propres sorties en exploitant les paramètres de « température » pour explorer diverses hypothèses de dégradation.

Contributions clés

Faisabilité des LLM autonomes : L'article démontre que les LLM de pointe peuvent identifier de manière indépendante les sous-problèmes de la prédiction de la dégradation des PSC (ex: choisir entre des modèles réversibles et irréversibles) sans avoir besoin de systèmes multi-agents complexes et personnalisés.
Requêtes pilotées par l'ontologie : Les auteurs montrent qu'en définissant explicitement l'ontologie du domaine sujet (incluant des concepts comme HysteresisEffect et RecoveryPhase), le LLM peut récupérer des modèles physiques et de la littérature pertinents, même lorsque des ensembles de données spécifiques ne sont pas directement disponibles.
Génération de données synthétiques : L'étude valide l'utilisation de séries temporelles synthétiques générées par LLM, dérivées d'archives météorologiques et d'équations de dégradation physique, comme substitut viable aux données expérimentales rares pour l'entraînement et le test des modèles de prédiction.
Gestion de la non-monotonie : L'approche intègre avec succès les mécanismes de dégradation réversibles (auto-récupération), qui sont souvent négligés dans les modèles de dégradation monotones standards mais qui sont critiques pour une prédiction précise de la durée de vie en extérieur.

Le LLM a réussi à localiser et à intégrer des données provenant de multiples sources (DWD, PVGIS et un ensemble de données de vieillissement de pérovskite de Zenodo) pour construire les caractéristiques d'entrée nécessaires.
En utilisant un modèle hybride (XGBoost + processus d'Ornstein-Uhlen-Uhlen), le système a généré des séries temporelles qui s'alignent sur les tendances de dégradation observées, incluant les fluctuations saisonnières et les périodes de récupération.
Le modèle a démontré une précision acceptable pour prédire le T80 sur des intervalles courts (1 mois) et longs (1 an), capturant correctement la direction des tendances de dégradation malgré l'utilisation de données d'entraînement synthétiques.
Le LLM a fourni des justifications pour les choix de modèles et a mis en évidence l'incertitude entourant les mécanismes de dégradation spécifiques (ex: migration ionique), offrant une liste de sujets débattus et de références.

Signification et affirmations
Les auteurs concluent que les outils LLM actuels possèdent un accès suffisant aux échantillons d'entraînement et à la littérature pour suggérer et justifier des méthodes de prédiction pour les concepteurs de PSC, même avec des modèles physiques incomplets. L'article affirme que ChatGPT peut :

Suggérer divers modèles de PSC trouvés dans la littérature.
Fournir des solutions adéquates pour prédire les tendances de dégradation en synthétisant les données environnementales et les modèles physiques.
Agir comme un outil robuste pour surmonter le problème des « petites données » dans la recherche sur les PSC en générant des ensembles de données synthétiques physiquement plausibles.

La signification réside dans la capacité de ces outils à soutenir le processus de conception des PSC en identifiant les sous-problèmes et en proposant des solutions qui sont explicitement ou implicitement absentes des requêtes initiales de l'utilisateur, accélérant ainsi l'évaluation de la stabilité des PSC sans nécessiter immédiatement des tests de terrain de longue durée, coûteux et étendus. L'article maintient un ton modeste, reconnaissant que si les LLM peuvent guider le processus et fournir des prédictions de tendances précises, le non-déterminisme des réponses et les débats continus au sein de la communauté scientifique concernant les mécanismes de dégradation spécifiques nécessitent une interprétation et une validation minutieuses de la part de l'utilisateur.