AI-supported Degradation Study of Carbon-based Perovskite Solar Cells: Learning the Device Physics of Perovskite Solar Cells: A Drift-Diffusion Guided Autoencoder Approach

Cette étude propose une approche d'apprentissage automatique guidée par un autoencodeur basé sur le modèle de dérive-diffusion pour suivre in situ la dégradation des cellules solaires à pérovskite à électrode de carbone en estimant des paramètres physiques à partir de courbes courant-tension, permettant ainsi la création d'un jumeau numérique pour mieux comprendre la physique du dispositif.

L'essentiel

🌞 Le Détective Artificiel : Comment l'IA aide les cellules solaires à ne pas "tomber malade"

Imaginez que vous avez un jardinier très intelligent qui s'occupe de vos plantes. Mais au lieu de regarder simplement si les feuilles sont vertes, ce jardinier possède des lunettes magiques (l'Intelligence Artificielle) qui lui permettent de voir ce qui se passe à l'intérieur de la plante, même quand elle semble aller bien de l'extérieur.

C'est exactement ce que les chercheurs de cette étude ont fait, mais avec des cellules solaires en pérovskite (une nouvelle génération de panneaux solaires très prometteurs, mais qui ont un défaut : elles s'abîment vite).

1. Le Problème : Des panneaux qui vieillissent trop vite

Les panneaux solaires classiques (en silicium) sont comme des rochers : ils durent des décennies. Les nouveaux panneaux en pérovskite sont comme des fleurs exotiques : ils sont magnifiques et très efficaces, mais ils se fanent rapidement sous le soleil.

Les scientifiques savent qu'ils se dégradent, mais ils ont du mal à comprendre pourquoi et comment, car les tests classiques sont lents et destructeurs. C'est comme essayer de comprendre pourquoi une voiture tombe en panne en la démontant pièce par pièce : à la fin, vous n'avez plus de voiture !

2. La Solution : L'IA comme "Médecin Radiologue"

Les chercheurs ont utilisé une technique d'IA appelée un Autoencodeur. Pour faire simple, imaginez que c'est un traducteur ultra-rapide.

• L'entrée : On donne à l'IA une courbe de performance (un graphique qui montre combien d'électricité la cellule produit). C'est comme le symptôme d'un patient (ex: "j'ai mal à la tête").
• La sortie : L'IA déduit les paramètres physiques cachés à l'intérieur (ex: "votre tension est haute, vous avez de la fièvre").

Au lieu de simplement prédire quand le panneau va mourir, cette IA apprend à diagnostiquer la maladie en temps réel en regardant comment la cellule réagit à la lumière.

3. L'Expérience : Deux cellules, deux traitements

Pour tester leur "médecin IA", les chercheurs ont pris deux cellules solaires et les ont mises dans une chambre de torture (une chambre de vieillissement) avec une lumière intense pendant 23 jours.

• Cellule A (MPP) : On l'a laissée travailler à son rythme optimal, comme un coureur qui court à son meilleur rythme.
• Cellule B (VOC) : On l'a laissée au repos, mais sous tension, comme un coureur qui reste debout sur la ligne de départ avec les muscles tendus.

Chaque jour, on a mesuré leur performance. L'IA a analysé ces données jour après jour.

4. Les Découvertes : Ce que l'IA a vu que l'œil humain ne voyait pas

Grâce à ses "lunettes magiques", l'IA a découvert des choses fascinantes :

• La Cellule B (au repos) s'est abîmée plus vite : Même si elle ne produisait pas d'électricité, le fait de rester sous tension a créé des "embouteillages" à l'intérieur. L'IA a vu que la capacité de la cellule à transporter les électrons (le "sang" de la cellule) s'est effondrée.
• La Cellule A (qui travaillait) a mieux résisté : En bougeant, les électrons ont évité de s'accumuler et de créer des dégâts.
• Le vrai coupable : L'IA a identifié que le problème principal n'était pas la structure du panneau lui-même, mais la surface (la peau de la cellule) qui s'est abîmée, augmentant la "recombinaison" (les électrons qui se perdent avant de produire de l'électricité).

5. L'Analogie de la "Jumeau Numérique"

Une fois que l'IA a compris ce qui se passait, les chercheurs ont créé un "Jumeau Numérique" (une copie virtuelle parfaite) de la cellule.

C'est comme si, après avoir examiné un patient, le médecin créait un robot identique dans son ordinateur. Il peut alors simuler des milliers de scénarios : "Si je change cette petite pièce, la cellule vivra-t-elle plus longtemps ?". Cela permet de tester des solutions sans abîmer de vrais panneaux.

🏁 Conclusion : Pourquoi c'est important ?

Cette étude est une révolution parce qu'elle change la façon dont on regarde les panneaux solaires.

• Avant : On attendait que le panneau soit mort pour comprendre ce qui s'est passé.
• Maintenant : L'IA nous dit en direct : "Attention, la surface de votre cellule commence à s'abîmer, voici pourquoi, et voici comment le réparer."

C'est un pas de géant vers la création de panneaux solaires qui dureront aussi longtemps que les maisons qu'ils alimentent, en utilisant l'intelligence artificielle pour comprendre la physique complexe de la lumière et de l'électricité.

Résumé technique

1. Problématique et Contexte

Les cellules solaires à pérovskite (PSC) ont connu une progression spectaculaire de leur efficacité, approchant désormais celle des cellules au silicium. Cependant, leur stabilité à long terme et les mécanismes de dégradation restent des obstacles majeurs à leur commercialisation.

• Limites des approches actuelles : La plupart des études utilisant l'Intelligence Artificielle (IA) se concentrent sur la prédiction de l'évolution de l'efficacité de conversion de puissance (PCE) ou du temps de vie (T80). Ces méthodes, bien qu'utiles pour le contrôle qualité, ne permettent pas d'identifier les sources physiques précises de la perte de performance ni d'optimiser la conception des dispositifs.
• Défi spécifique : Suivre l'évolution des paramètres physiques internes (comme la mobilité des charges, les temps de recombinaison ou la densité ionique) in situ pendant le stressage des dispositifs est difficile sans interrompre les mesures ou changer de configuration expérimentale.

2. Méthodologie

L'étude propose une approche hybride combinant la simulation physique et l'apprentissage automatique pour surveiller la dégradation en temps réel.

A. Dispositifs et Protocole Expérimental

• Échantillons : Deux cellules solaires à pérovskite à électrode de carbone (structure mésoporeuse FTO/TiO2/MAPI/ZrO2/Carbone) fournies par Solaronix.
• Conditions de stress : Les cellules ont été soumises à un stress continu sous une illumination équivalente à 1 Soleil pendant 23 jours (environ 550 heures) dans une atmosphère inerte.
  • Dispositif 1 (SN112) : Suivi au point de puissance maximale (MPP).
  • Dispositif 2 (SN114) : Suivi en circuit ouvert (VOC).
• Mesures : Des courbes courant-tension (J-V) ont été enregistrées quotidiennement à différentes vitesses de balayage (de 0,005 à 100 V/s) pour capturer les effets d'hystérésis et de transport ionique.

B. Architecture du Modèle d'IA (Autoencodeur Guidé)

• Simulation de référence : Un modèle de dérive-diffusion (Drift-Diffusion - DD) 1D a été utilisé pour générer 50 000 courbes J-V simulées en faisant varier aléatoirement six paramètres physiques clés :
  • Vitesse de recombinaison de surface ($S$).
  • Mobilité des porteurs ($\mu$).
  • Temps de vie de recombinaison ($\tau$).
  • Mobilité dans le TiO2 ($\mu_{TiO2}$).
  • Mobilité des cations ($\mu_C$).
  • Densité ionique ($\rho_{Ion}$).
• Réseau de Neurones : Un Autoencodeur (AE) a été entraîné.
  • Entrée : Courbes J-V normalisées (732 points de données).
  • Sortie : Reconstruction des courbes J-V + estimation des 6 paramètres physiques.
  • Fonction de perte : Une combinaison de l'erreur de reconstruction de la courbe J-V et d'une contrainte directe sur la correspondance avec les paramètres physiques réels utilisés lors de la simulation. Cela évite le problème de la "boîte noire" des autoencodeurs classiques en garantissant que l'espace latent contient l'information physique pertinente.

C. Analyse

Les paramètres estimés par l'IA à partir des mesures quotidiennes ont été utilisés pour :

1. Suivre l'évolution temporelle de chaque paramètre physique.
2. Créer un "jumeau numérique" des dispositifs dégradés pour simuler et comparer les courbes J-V théoriques aux mesures expérimentales.

3. Résultats Clés

A. Évolution des Performances Globales

• Le dispositif sous MPP a conservé 90 % de son efficacité initiale, montrant une dégradation modérée.
• Le dispositif sous VOC a montré une dégradation plus marquée, notamment une baisse de la tension en circuit ouvert ($V_{OC}$) et une chute significative du courant de court-circuit ($J_{SC}$) au début du stressage.

B. Évolution des Paramètres Physiques Estimés par l'IA

L'analyse des paramètres extraits par l'autoencodeur révèle des mécanismes de dégradation distincts :

• Recombinaison de surface ($S$) : Augmentation significative au cours du temps pour les deux dispositifs (atteignant ~50 cm/s pour MPP et ~100 cm/s pour VOC), indiquant une dégradation des interfaces.
• Mobilité et Temps de vie ($\mu$ et $\tau$) :
  • Pour le dispositif MPP, une diminution de la mobilité pérovskite ($\mu_{pero}$) est compensée par une augmentation du temps de vie ($\tau$), maintenant le produit $\mu\tau$ (longueur de diffusion) relativement constant, ce qui correspond à la stabilité du $J_{SC}$.
  • Pour le dispositif VOC, le temps de vie estimé augmente considérablement, mais la mobilité chute drastiquement, expliquant la perte de courant.
• Paramètres Ioniques ($\mu_C, \rho_{Ion}$) : Les estimations suggèrent une densité ionique globalement stable, mais une accumulation possible d'ions aux interfaces (surtout sous VOC) qui contribue à l'augmentation de la résistance série et à la perte de facteur de remplissage (FF).
• Mobilité TiO2 ($\mu_{TiO2}$) : Reste stable, confirmant que la couche de transport d'électrons compacte n'est pas le facteur limitant principal de cette dégradation.

C. Limites du Modèle

Bien que le modèle suive bien les tendances, des écarts persistent entre les simulations basées sur les paramètres estimés et les mesures réelles, notamment pour les vitesses de balayage lentes. Cela suggère que le modèle 1D ne capture pas entièrement la complexité de la structure mésoporeuse (qui agit comme une grande surface d'interface) ni certains effets de blindage de champ liés aux ions mobiles.

4. Contributions et Signification

• Suivi Physique Non-Intrusif : La méthode permet de surveiller l'évolution de paramètres physiques fondamentaux (recombinaison, transport, ions) sans interrompre le stressage ni nécessiter de changements de montage expérimental.
• Validation par Jumeau Numérique : L'utilisation des paramètres estimés pour simuler des "jumeaux numériques" permet de valider les hypothèses de dégradation et de comprendre pourquoi les courbes J-V réelles divergent des modèles idéaux.
• Distinction des Mécanismes : L'approche permet de différencier les effets de la dégradation induite par le MPP (plus stable) de celle induite par le VOC (plus sévère sur le transport de charge), reliant directement les pertes de performance à des mécanismes physiques spécifiques (recombinaison de surface vs transport ionique).
• Impact pour l'Industrie : Cette approche offre un outil puissant pour le diagnostic rapide des défaillances dans les PSC, dépassant la simple prédiction de la durée de vie pour proposer des pistes d'amélioration matérielle ciblées.

Conclusion

Cette étude démontre qu'un autoencodeur guidé par la physique (Drift-Diffusion) peut être utilisé avec succès pour extraire des paramètres physiques fiables à partir de courbes J-V dégradées. Elle fournit une compréhension approfondie des mécanismes de dégradation des pérovskites à électrode de carbone, soulignant le rôle prépondérant de la recombinaison de surface et des effets ioniques aux interfaces, tout en ouvrant la voie à une optimisation plus rationnelle de la stabilité des cellules solaires de nouvelle génération.