Exploiter le soleil avec l'intelligence artificielle

Exploiter le soleil avec l’intelligence artificielle

Des méthodes d’apprentissage automatique sont développées à Argonne pour faire avancer la recherche sur l’énergie solaire avec les pérovskites. Crédit : Maria Chan/Laboratoire national d’Argonne

Le soleil transmet en permanence des billions de watts d’énergie à la Terre. Il en sera ainsi pendant des milliards d’années. Cependant, nous venons tout juste de commencer à puiser dans cette abondante source d’énergie renouvelable à un coût abordable.

Les absorbeurs solaires sont un matériau utilisé pour convertir cette énergie en chaleur ou en électricité. Maria Chan, scientifique au Laboratoire national d’Argonne (DOE) du Département américain de l’énergie, a développé une méthode d’apprentissage automatique pour suivre des milliers de composés en tant qu’absorbeurs d’énergie solaire. Son co-auteur sur ce projet était Arun Mannodi-Kanakkithodi, un ancien post-doctorant à Argonne qui est maintenant professeur adjoint à l’Université Purdue.

“Selon une récente étude du DOE, d’ici 2035, l’énergie solaire pourrait fournir 40% de l’électricité du pays”, a déclaré Chan. “Et cela peut aider à décarboniser le réseau et créer de nombreux nouveaux emplois.”

Chan et Mannodi-Kanakkithodi parient que l’apprentissage automatique jouera un rôle vital dans la réalisation de ce noble objectif. Une forme d’intelligence artificielle (IA), l’apprentissage automatique utilise une combinaison de grands ensembles de données et d’algorithmes pour imiter la façon dont les humains apprennent. Il apprend de la formation avec des exemples de données et de l’expérience passée pour faire des prédictions de mieux en mieux.

À l’époque de Thomas Edison, les scientifiques ont découvert de nouveaux matériaux par le processus laborieux d’essais et d’erreurs avec de nombreux candidats différents jusqu’à ce qu’un seul fonctionne. Au cours des dernières décennies, ils se sont également appuyés sur des calculs à forte intensité de main-d’œuvre, nécessitant jusqu’à 1 000 heures pour prédire les propriétés d’un matériau. Désormais, ils peuvent raccourcir les deux processus de découverte à l’aide de l’apprentissage automatique.

Actuellement, l’absorbeur principal des cellules solaires est le silicium ou le tellurure de cadmium. Ces cellules sont désormais monnaie courante. Mais ils restent assez chers et consomment beaucoup d’énergie pour leur fabrication.

L’équipe a utilisé sa méthode d’apprentissage automatique pour évaluer les propriétés d’énergie solaire d’une classe de matériaux appelés pérovskites aux halogénures. Au cours de la dernière décennie, de nombreux chercheurs ont étudié les pérovskites en raison de leur remarquable efficacité à convertir la lumière du soleil en électricité. Ils offrent également la perspective de coûts et d’énergie beaucoup plus faibles pour la préparation des matériaux et la construction des cellules.

“Contrairement au silicium ou au tellurure de cadmium, les variations possibles des halogénures combinés aux pérovskites sont essentiellement illimitées”, a déclaré Chan. “Il y a donc un besoin urgent de développer une méthode qui puisse réduire les candidats prometteurs à un nombre gérable. À cette fin, l’apprentissage automatique est un outil parfait.”

L’équipe a formé sa méthode avec des données pour quelques centaines de compositions d’halogénure de pérovskite, puis l’a appliquée à plus de 18 000 compositions comme cas de test. La méthode a évalué ces compositions pour des propriétés clés telles que la stabilité, la capacité à absorber la lumière du soleil, une structure qui ne se brise pas facilement en raison de défauts, etc. Les calculs concordaient bien avec les données pertinentes de la littérature scientifique. De plus, les résultats ont réduit le nombre de compositions méritant une étude plus approfondie à environ 400.

“Notre liste de candidats contient des composés qui ont déjà été étudiés, des composés que personne n’a jamais étudiés et même des composés qui ne figuraient pas parmi les 18 000 d’origine”, a déclaré Chan. “Nous sommes donc vraiment excités à ce sujet.”

La prochaine étape consistera à tester les prédictions à l’aide d’expériences. Le scénario idéal serait d’utiliser un laboratoire de découverte autonome tel que Polybot au Argonne Nanoscale Materials Center (CNM), une installation utilisateur du DOE Office of Science. Polybot associe la puissance de la robotique à l’IA pour favoriser la découverte scientifique avec peu ou pas d’intervention humaine.

En utilisant l’expérimentation autonome pour synthétiser, caractériser et tester les meilleurs de leurs quelques centaines de meilleurs candidats, Chan et son équipe prévoient qu’ils peuvent également améliorer la méthode actuelle d’apprentissage automatique.

“Nous sommes vraiment dans une nouvelle ère d’application de l’IA et du calcul haute performance à la découverte des matériaux”, a déclaré Chan. “En plus des cellules solaires, notre méthodologie de conception peut être appliquée aux LED et aux capteurs infrarouges.”

Cette recherche est rapportée dans un article de Sciences de l’énergie et de l’environnement.


Découvrir les motifs de la nature à l’échelle atomique dans des couleurs vives


Plus d’information:
Arun Mannodi-Kanakkithodi et al, Conception basée sur les données de nouveaux alliages d’halogénure de pérovskite, Sciences de l’énergie et de l’environnement (2022). DOI : 10.1039/D1EE02971A

Fourni par le Laboratoire National d’Argonne

Devis: Absorbing the Sun with Artificial Intelligence (2022, 31 août) récupéré le 4 septembre 2022 sur https://techxplore.com/news/2022-08-sun-artificial-intelligence.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif uniquement.

Leave a Comment

Your email address will not be published.