Conception durable de cellules solaires organiques utilisant l’apprentissage automatique et profond

Des cellules solaires plus intelligentes pour un monde en mutation

Les panneaux solaires sont désormais courants sur les toits et dans les champs, mais beaucoup de gens ignorent que de nouvelles cellules solaires « plastiques » légères et flexibles émergent en laboratoire. Cet article examine comment des chercheurs utilisent des simulations informatiques et l’intelligence artificielle pour concevoir ces cellules solaires organiques afin qu’elles convertissent plus de lumière en électricité, gaspillent moins de matériaux et soutiennent mieux les objectifs mondiaux de climat et de durabilité.

Qu’est‑ce qui distingue ces cellules solaires

Les panneaux solaires traditionnels sont généralement fabriqués à partir de plaquettes rigides de silicium. Les cellules solaires organiques, en revanche, sont construites à partir de couches minces à base de carbone qui peuvent être imprimées sur des feuilles flexibles. Elles peuvent être légères, colorées et potentiellement moins coûteuses à produire. Le revers de la médaille est que leur rendement — la part de l’énergie solaire convertie en énergie utilisable — a historiquement été inférieur à celui du silicium. Grâce à de nouveaux matériaux organiques, des dispositifs de laboratoire ont déjà dépassé 18 % d’efficacité. Pour aller encore plus loin, les scientifiques doivent ajuster finement l’empilement interne des couches qui transportent les charges électriques, en particulier la couche de transport d’électrons, la couche de transport de trous et la couche active absorbant la lumière entre les deux.

Utiliser des expériences virtuelles plutôt que l’essai‑erreur

Plutôt que de construire d’innombrables cellules test en laboratoire, les auteurs utilisent un programme informatique détaillé appelé SCAPS‑1D pour mener des « expériences virtuelles ». Ils se concentrent sur une architecture de dispositif spécifique qui sandwich un mélange actif appelé PBDB‑T:IT‑M entre une couche de transport de trous (PEDOT:PSS) et une couche de transport d’électrons (PFN‑Br), avec de l’oxyde d’indium‑étain transparent d’un côté et de l’aluminium de l’autre. D’abord, ils vérifient que le simulateur reproduit les résultats de laboratoire publiés, et constatent qu’il reproduit de près les mesures clés — tension, courant et rendement global. Cela leur donne confiance pour explorer de nouveaux designs sur ordinateur, bien avant que des matériaux ne soient mélangés ou déposés en salle blanche.

Trouver le point optimal dans l’empilement des couches

Une fois le dispositif virtuel validé, l’équipe ajuste systématiquement les matériaux et les épaisseurs de chaque couche pour voir quelle combinaison fonctionne le mieux. Parmi plusieurs candidats pour la couche de transport d’électrons, le PFN‑Br donne les meilleures performances, principalement parce que ses niveaux d’énergie internes s’alignent bien avec la couche active et qu’il facilite le passage des électrons vers le contact métallique. En faisant varier l’épaisseur du PFN‑Br de 5 à 30 nanomètres (un nanomètre étant un milliardième de mètre), ils observent que des couches très minces — autour de 5 à 10 nanomètres — offrent le rendement le plus élevé. Des couches plus épaisses introduisent une résistance supplémentaire, entraînant davantage de pertes d’énergie. Pour la couche active elle‑même, l’augmenter permet d’absorber plus de lumière, mais rend aussi plus difficile l’extraction des charges avant qu’elles ne se recombinent. Les simulations montrent une épaisseur idéale proche de 300 nanomètres, où absorption de la lumière et transport des charges sont bien équilibrés.

Laisser l’intelligence artificielle apprendre les meilleurs designs

Exécuter de nombreuses simulations détaillées prend toutefois du temps, si bien que les chercheurs ajoutent un second outil : l’intelligence artificielle. Ils génèrent un jeu de données de 300 cellules solaires simulées avec différents choix d’épaisseur pour les deux couches de transport et la couche active. Puis ils entraînent deux types de modèles d’IA — des réseaux de neurones convolutionnels (CNN) et la régression par vecteurs de support (SVR) — pour prédire des résultats clés : le rendement global et la tension en circuit ouvert. Une fois entraîné, le CNN peut estimer instantanément ces paramètres de performance pour de nouveaux designs sans relancer la simulation physique complète. Dans les tests, le CNN prédit le rendement avec des erreurs bien plus faibles que la SVR, capturant les manières subtiles et non linéaires dont de petites variations d’épaisseur affectent le comportement du dispositif.

Relier de meilleures cellules solaires à un avenir plus vert

Au‑delà du laboratoire, l’équipe relie ses résultats aux objectifs mondiaux de durabilité. En doublant presque le rendement simulé — d’environ 12 % à environ 19,5 % — une cellule solaire organique optimisée peut générer plus d’énergie pour une même surface, réduisant la quantité de matériaux, de terrain et d’infrastructures nécessaires. Cela soutient une énergie plus propre et plus abordable (ODD 7), des industries plus innovantes et efficaces (ODD 9), une utilisation plus responsable des ressources (ODD 12) et une action renforcée contre le changement climatique (ODD 13). En termes simples, ce travail montre comment la combinaison de tests virtuels et d’IA peut aider à concevoir plus rapidement des cellules solaires plus intelligentes, réduire les déchets et accélérer l’arrivée de technologies solaires flexibles et performantes dans la vie quotidienne.

Citation: Mohyeldien, O.M., El-Amary, N.H. & Al Bardawil, A. Sustainable design of organic solar cells utilized machine and deep learning. Sci Rep 16, 3728 (2026). https://doi.org/10.1038/s41598-026-35067-7

Mots-clés: cellules solaires organiques, apprentissage automatique, optimisation de l’épaisseur des couches, rendement photovoltaïque, énergie durable