Integrating Density Functional Theory, Machine Learning, and Device Simulation for Perovskite Photovoltaics: A Review

L'énergie solaire dépend depuis longtemps du silicium, un matériau fiable mais coûteux à affiner et rigide à manipuler. Ces dernières années, une nouvelle classe de matériaux connus sous le nom de pérovskites est apparue comme une alternative puissante. Il s'agit de cristaux dotés d'une structure spécifique et hautement polyvalente qui peut être ajustée pour absorber la lumière du soleil de manière très efficace. Ils peuvent être fabriqués sous forme de films minces et flexibles, et leur capacité à convertir la lumière en électricité s'est améliorée si rapidement qu'ils rivalisent désormais avec les meilleures cellules de silicium. Cependant, ce potentiel s'accompagne d'un obstacle majeur. L'espace chimique de ces matériaux est vaste ; en remplaçant différents atomes dans leur structure, les scientifiques peuvent créer des millions de variations possibles. Tester chacune d'elles en laboratoire est impossible, car cela prendrait des décennies et coûterait une fortune. De plus, un matériau qui semble parfait dans un modèle informatique pourrait échouer dans un véritable panneau solaire en raison de défauts cachés, comme des atomes instables ou des ions qui se déplacent à l'intérieur du cristal lorsqu'il est chauffé.

Pour résoudre ce problème, les chercheurs se tournent vers une nouvelle façon de travailler qui combine trois outils distincts : les calculs de physique quantique, l'intelligence artificielle et les simulations informatiques de panneaux solaires. L'objectif est de créer un pipeline capable de prédire quelles recettes chimiques fonctionneront avant même qu'une seule goutte de liquide ne soit mélangée dans un laboratoire. Cette approche ne repose pas sur des suppositions. Au lieu de cela, elle utilise les lois de la physique pour comprendre le matériau au niveau atomique, utilise l'apprentissage automatique pour passer au crible des milliards de possibilités, et utilise la modélisation de dispositifs pour voir comment ces matériaux fonctionneraient réellement en tant que machines génératrices d'énergie. Le défi a toujours été de connecter ces trois étapes. Un calcul décrivant un atome unique ne peut pas simplement être collé dans un programme qui simule un panneau solaire entier ; l'information doit être traduite avec soin, sinon les résultats seront dénués de sens.

Une revue récente de Sameer Pandey trace précisément comment construire ce pont. L'article ne présente pas une nouvelle cellule solaire unique, mais plutôt un guide critique sur la manière de lier ces méthodes de calcul afin qu'elles fonctionnent ensemble sans enfreindre les lois de la physique. L'auteur soutient que, bien que nous disposions d'outils puissants pour calculer les propriétés d'atomes individuels et d'outils puissants pour prédire les tendances dans de grands ensembles de données, nous traitons souvent le transfert d'informations entre eux comme un simple processus « plug-and-play ». C'est une simplification dangereuse. La revue explique que passer du monde microscopique des atomes au monde macroscopique d'un panneau solaire nécessite des étapes spécifiques et fondées sur la physique. On ne peut pas simplement prendre un chiffre provenant d'un calcul quantique et l'injecter directement dans un simulateur de panneau solaire. Les propriétés doivent être interprétées et adaptées pour correspondre au contexte plus large de la manière dont l'électricité circule réellement dans un dispositif.

L'article décrit un flux de travail qui commence par la théorie de la fonctionnelle de la densité, une méthode qui utilise la mécanique quantique pour calculer les niveaux d'énergie et la stabilité d'une structure cristalline spécifique. Cela fournit les données brutes de haute fidélité, telles que la force avec laquelle les électrons sont retenus ou la facilité avec laquelle le matériau présente des défauts. Ces chiffres sont ensuite utilisés pour entraîner des modèles d'apprentissage automatique. Ces modèles sont comme des étudiants qui apprennent les règles de la chimie à partir des données quantiques. Une fois entraînés, ils peuvent prédire les propriétés de nouveaux matériaux non testés en une fraction de seconde, parcourant de vastes espaces chimiques qui prendraient des années à explorer avec des calculs quantiques seuls. Cependant, la revue souligne que ces prédictions ne sont que la première étape. Le résultat de l'apprentissage automatique doit ensuite être traduit dans le langage spécifique de la simulation de dispositif.

Le logiciel de simulation de dispositif, tel que SCAPS-1D, agit comme un laboratoire virtuel pour les panneaux solaires. Il prend les propriétés du matériau et simule la manière dont la lumière et l'électricité interagissent au sein d'une structure stratifiée. Ici, l'article souligne une distinction cruciale. Un modèle d'apprentissage automatique peut prédire le « bandgap » d'un matériau, qui est la plage d'énergie qu'il absorbe, et cela peut être utilisé directement dans la simulation. Mais d'autres propriétés, comme la vitesse à laquelle les électrons se déplacent ou le nombre de défauts existants, ne sont pas toujours directement disponibles à partir de la prédiction de l'apprentissage automatique. Elles nécessitent souvent des hypothèses physiques supplémentaires ou des données expérimentales pour être définies correctement. La revue avertit que si ces étapes intermédiaires sont sautées ou mal gérées, la simulation produira des résultats impressionnants sur un écran, mais qui n'ont aucun rapport avec la réalité. L'auteur insiste sur le fait que la connexion entre l'échelle atomique et l'échelle du dispositif n'est pas automatique ; elle nécessite une traduction délibérée, basée sur la physique.

Pour illustrer ce processus, l'article examine un exemple spécifique : une double pérovskite sans plomb appelée Cs2AgBiBr6. Ce matériau est d'un intérêt particulier car il évite la toxicité du plomb, présent dans les cellules pérovskites les plus efficaces. Les chercheurs ont utilisé des calculs quantiques pour déterminer les propriétés fondamentales du matériau, telles que son écart énergétique et sa réponse aux champs électriques. Ces valeurs ont ensuite été intégrées dans une simulation de dispositif pour voir comment un panneau solaire fabriqué à partir de ce matériau performerait. La simulation a montré que si le matériau est pur et exempt de défauts, l'efficacité théorique pourrait dépasser les 11 pour cent. Cependant, la simulation a également révélé que si le matériau contient même un petit nombre de défauts, la performance chute de manière spectaculaire. Cette découverte souligne l'importance du flux de travail : le modèle informatique a identifié que le succès du matériau dépend entièrement du maintien d'un faible taux d'impuretés, un détail qui aurait pu être omis sans cette analyse multi-étapes.

La revue souligne également les lacunes actuelles de cette approche intégrée. Un problème majeur est que les données utilisées pour entraîner les modèles d'apprentissage automatique proviennent souvent de sources différentes utilisant des méthodes différentes, ce qui peut entraîner des incohérences. Si les calculs quantiques ne sont pas standardisés, le modèle d'apprentissage automatique pourrait apprendre de mauvais schémas. Une autre limitation est que la plupart des simulations supposent que le matériau est statique et parfait, alors que les vrais panneaux solaires se dégradent avec le temps. Les ions à l'intérieur du cristal peuvent se déplacer lorsque le soleil brille, modifiant les propriétés du matériau. Les modèles actuels peinent à capturer ce comportement dynamique, ce qui signifie qu'ils pourraient prédire une cellule stable et à haute efficacité qui échouerait en réalité dans le monde réel. L'auteur soutient que les progrès futurs dépendent de la création de meilleures normes pour les données, du développement de modèles d'apprentissage automatique qui comprennent la physique du temps et du changement, et de la construction de simulations capables de prendre en compte ces éléments mobiles.

En fin de compte, l'article sert de feuille de route pour une manière plus fiable de découvrir de nouveaux matériaux solaires. Il suggère que l'avenir de la recherche sur les pérovskites réside dans une boucle fermée où les calculs quantiques fournissent les faits, l'apprentissage automatique trouve les candidats, et les simulations de dispositifs testent la réalité. Ce cycle peut être répété, chaque étape affinant la suivante, jusqu'à ce que les matériaux les plus prometteurs soient identifiés. La revue ne prétend pas que ce processus a résolu le problème de l'énergie solaire, mais elle propose une voie claire pour l'avenir. En traitant la connexion entre ces outils comme un défi d'ingénierie complexe plutôt que comme un simple transfert de données, les scientifiques peuvent éviter les fausses pistes et concentrer leurs efforts sur des matériaux véritablement prêts à alimenter le monde. Le travail confirme que, bien que nous ayons les outils pour concevoir la cellule solaire parfaite, nous devons d'abord apprendre à parler la même langue à travers les différentes échelles de la science.