Avance rapide

Le laboratoire photovoltaïque de Tonio Buonassisi accélère le développement de nouveaux matériaux de cellules solaires en utilisant l'apprentissage automatique, des robots et un bon travail d'équipe à l'ancienne.

Par

• Cara Giaimo, SM '15 page d'archives

27 avril 2021

Ce robot chimiste avec lequel travaille le professeur Tonio Buonassisi à Singapour utilise l'apprentissage automatique pour mélanger des produits chimiques dans des échantillons. Zakaria Zainal

Si nous voulons réduire suffisamment l'utilisation des combustibles fossiles pour empêcher le monde de se réchauffer de manière catastrophique, nous devons extraire beaucoup plus d'énergie du soleil. Un certain nombre de groupes d'experts, dont le Groupe d'experts intergouvernemental sur l'évolution du climat, ont conclu que nous devrons obtenir environ un tiers de l'électricité mondiale à partir de sources solaires d'ici 2030.

À l'heure actuelle, avec moins d'une décennie à parcourir, nous en sommes à environ un dixième, dit Tonio Buonassisi , professeur de génie mécanique et directeur de l'Institut Laboratoire photovoltaïque . Pour atteindre cet objectif, nous devrons accélérer considérablement le déploiement de énergie solaire .

L'unité de pipetage à haut débit du robot chimiste de Buonassisi combine des colorants alimentaires rouges, bleus et jaunes pour créer des couleurs spécifiques.

ZAKARIA ZAINAL

Dans cet esprit, le PV Lab a été continuellement reconfiguré au cours des dernières années alors que Buonassisi et ses collègues apportent tout ce qu'ils peuvent penser qui pourrait accélérer la recherche de nouveaux matériaux solaires. Ils ont tout essayé, des chronomètres et des tests de personnalité aux algorithmes d'apprentissage automatique et aux robots de pipetage.

Le résultat est un rythme de laboratoire qui est des ordres de grandeur plus rapide. Ils ont condensé des processus qui prenaient autrefois six mois ou un an en deux semaines ; l'analyse des spectres de diffraction des rayons X qui nécessitait autrefois deux à trois heures peut maintenant être effectuée en 5,5 minutes. En ce moment, tout est une question de vitesse, dit Buonassisi.

Au-delà du silicium

Le PV Lab a commencé à travailler avec des algorithmes d'apprentissage automatique en 2012. Nous ne les considérions pas comme cette toute nouvelle façon de faire de la science, dit Buonassisi. Nous les avons juste pensés comme un outil de productivité. Mais en 2017, il s'est rendu compte que la question principale autour de laquelle le laboratoire tournait était trop complexe pour y répondre par des moyens traditionnels. J'avais besoin de changer ma façon de faire de la recherche pour y remédier, dit-il.

Cette question était de savoir comment trouver des alternatives viables au silicium pour une utilisation dans la capture de l'énergie solaire. Actuellement, 95% des cellules solaires du monde s'appuyer sur des semi-conducteurs au silicium . Cet élément est abondant - présent dans presque toutes les saletés et le sable - et les cellules solaires fabriquées avec lui sont relativement efficaces et résistantes. Votre panneau solaire en silicium moyen peut convertir environ 20 % de l'énergie de la lumière du soleil qui le frappe, et il peut fonctionner jour après jour pendant des décennies sans tomber en panne.

Lorsque vous êtes bloqué dans un mode de faible débit, vous avez tendance à jouer la sécurité. Si vous savez que vous avez plus de chances, vous pouvez être plus ambitieux.

Mais transformer le silicium en tranches fines et pures nécessaires à ces cellules est coûteux, relativement difficile et énergivore. Il nécessite aussi souvent des matériaux plus rares, comme l'argent. Des experts, dont Buonassisi, travaillent à l'amélioration de ces processus. Mais si nous voulons faire de l'énergie solaire une partie importante du réseau, l'introduction de matériaux plus faciles à fabriquer élargira les possibilités et, selon Buonassisi, cela pourrait accélérer la concurrence, stimuler l'innovation et faire baisser les prix dans tous les domaines.

Une classe de matériaux prometteuse est celle des pérovskites, des composés naturels et fabriqués en laboratoire avec une structure cristalline qui en fait de bons semi-conducteurs. Les pérovskites sont plus simples et plus rapides à fabriquer que les tranches de silicium. Parce qu'il s'agit de composés plutôt que d'éléments, il pourrait y en avoir un grand nombre qui n'ont pas encore été créés, déclare Jim Serdy, membre du PV Lab. Différentes pérovskites peuvent également être empilées dans une seule cellule solaire, pour absorber différentes longueurs d'onde de lumière et extraire plus d'énergie de chaque rayon de soleil.

Si les pérovskites parviennent à se frayer un chemin sur le marché de l'énergie solaire, cela pourrait être la voie critique pour satisfaire les besoins énergétiques mondiaux de manière durable, déclare Serdy. Mais si cela est possible dépend beaucoup de la rapidité avec laquelle nous pouvons découvrir ces nouveaux composés et leurs propriétés.

Territoire inexploré

Le grand nombre de pérovskites est passionnant - il pourrait y en avoir des milliers qui correspondent bien à différentes applications. Mais cela rend également difficile la recherche du matériau parfait, celui qui accomplit une tâche souhaitée avec la bonne combinaison de stabilité, d'efficacité et de rentabilité, et qui peut également être fabriqué facilement et à grande échelle.

Dans le passé, les scientifiques tentant de découvrir ou d'inventer un nouveau matériau commençaient par des suppositions éclairées. Ils créaient quelques matériaux en laboratoire, les testaient, puis utilisaient ce qu'ils avaient appris pour réessayer. Trouver une seule bonne option peut prendre un an ou plus. Statistiquement parlant, c'est comme les singes devant une machine à écrire - tapant jusqu'à ce qu'ils écrivent quelque chose d'utile, dit Buonassisi.

Les chercheurs du PV Lab suivent toujours cette procédure de base. (La méthode scientifique ne se démode pas, dit-il.) Ils l'ont juste turbocompressée. Les algorithmes formés sur les connaissances théoriques et les résultats précédents les aident à faire des suppositions plus intelligentes. Et l'expérimentation à haut débit et l'analyse automatisée leur permettent de tester ces suppositions plus rapidement et d'exécuter de nombreux tests en parallèle. Grâce à toutes ces avancées, nous sommes en mesure d'accélérer l'ensemble du processus, déclare le chercheur scientifique Shijing Sun, chef d'équipe du programme de développement accéléré des matériaux du laboratoire.

La recherche à haut rendement n'accélère pas seulement le rythme des découvertes, elle rend également les gens plus audacieux, dit Buonassisi. Lorsque vous êtes bloqué dans un mode à faible débit, vous avez tendance à jouer la sécurité, dit-il. Si vous savez que vous avez plus de chances, vous pouvez être beaucoup plus ambitieux.

À l'automne 2018, par exemple, l'équipe de Sun a commencé à rechercher des pérovskites plus stables. (Bien que certaines cellules solaires en pérovskite soient désormais aussi efficaces que celles en silicium, elles ont tendance à être plus sujettes à la dégradation.) Ils ont commencé par identifier ce qu'ils appellent leur espace de recherche, dans ce cas un groupe de 5 000 matériaux différents possibles à évaluer - toutes les combinaisons de césium, de méthylammonium, de formamidinium et d'iodure de plomb, mélangés dans des proportions différentes et synthétisés de différentes manières.

Les chercheurs Shijing Sun et Buonassisi au laboratoire PV en 2019.

Jean Frida

Pour leur première série d'enquêtes expérimentales, le groupe a demandé à un algorithme de sélectionner 28 matériaux qui fournissaient un large échantillon des possibilités, explique Sun. Après avoir synthétisé ces matériaux, l'équipe les a soumis à des outils et techniques à haut débit développés par Serdy et l'un des associés techniques du laboratoire, Janak Thapa. Ces outils leur permettent de tester rapidement la stabilité des matériaux en les exposant à des températures élevées, une forte humidité et un éclairage, des versions améliorées des conditions qu'ils pourraient rencontrer sur un toit ensoleillé.

Nous les plaçons essentiellement dans un sauna, explique Armi Tiihonen, chercheur postdoctoral au laboratoire. Nous visions une accélération extrême, pour que les matériaux se dégradent rapidement, car nous ne voulions pas perdre des mois de temps.

Pour mesurer leur stabilité, l'équipe a formé des caméras sur les matériaux, réglées pour prendre des photos toutes les cinq minutes. Les pérovskites changent de couleur lorsqu'elles se décomposent, passant souvent du presque noir au jaune pâle. Après que les échantillons aient passé environ cinq jours dans le sauna, l'équipe a analysé les photos pour déterminer le taux de dégradation de chaque matériau. (Ils ont également analysé certains des échantillons plus en profondeur à l'aide de la diffraction des rayons X, pour confirmer les observations visuelles et voir comment la structure des matériaux a changé à mesure qu'ils se dégradaient.)

Ensuite, ils ont renvoyé ces résultats au premier algorithme et lui ont demandé de choisir 28 autres matériaux, certains similaires à ceux qui avaient le mieux réussi au stade expérimental, et d'autres provenant de parties de l'espace restées inexplorées.

Même les scientifiques des matériaux les plus expérimentés auraient du mal à faire ce genre d'appel, dit Sun. Je peux prendre une décision si nous avons 10 matériaux, dit-elle. Si nous avons 5 000 matériaux, je ne peux pas vraiment penser à quoi faire ensuite.

L'équipe est passée par ce cycle à plusieurs reprises : en choisissant des matériaux via l'algorithme, en créant et en testant des échantillons dans le monde réel et en fournissant des commentaires à l'algorithme. À la fin du quatrième tour, ils avaient trouvé un groupe de matériaux 17 fois plus stables que la pérovskite la plus couramment utilisée, ainsi que trois fois plus stables que le précédent détenteur du record du laboratoire, qu'ils avaient trouvé par des moyens plus traditionnels. . (Leurs découvertes et méthodes ont été publiées en février par la revue Matter.)

D'autres projets de PV Lab ont connu un succès similaire. En 2019, l'équipe de Sun a entrepris de trouver des pérovskites sans plomb. Ils ont identifié deux matériaux complètement nouveaux, ainsi que quatre qui n'avaient jamais été fabriqués auparavant sous la forme de couches minces nécessaires à l'utilisation dans les cellules solaires. Dans le passé, cela nous aurait probablement pris plus d'un an, dit Buonassisi. Avec les nouvelles méthodes, elles ont été faites en deux mois.

Dans une autre expérience, une cellule solaire en pérovskite construite avec l'un de ces nouveaux matériaux s'est avérée plus stable dans des conditions environnementales difficiles que la meilleure jamais réalisée avec leurs méthodes précédentes, montrant que les améliorations de ces matériaux individuels se répercutent sur les dispositifs solaires qui sont faites avec eux.

L'équipe fusionne la simulation et l'expérience pour identifier et tester rapidement des matériaux prometteurs, explique Buonassisi. Nous nous rapprochons de plus en plus du point de pouvoir imaginer quelque chose et ensuite de pouvoir le réaliser dans la vraie vie.

La vie à vitesse grand V

Les chercheurs du PV Lab prennent le rythme toujours plus rapide. En 2020, après 10 ans d'études et de travail en science de laboratoire, Thapa a commencé à se plonger dans l'apprentissage automatique ; à la fin de l'année, il avait co-écrit son premier article sur le sujet.

La personnalité du laboratoire est l'adaptabilité, dit-il; les membres apprennent à faire tout ce dont le groupe a besoin. C'est vrai même pour les étudiants de premier cycle du laboratoire. L'objectif est que tout étudiant qui réussisse apprenne à participer à un projet et à faire partie d'une équipe, et soit un membre bien équilibré et contributeur de la communauté STEM, explique Sara Bonner, administratrice du programme du laboratoire.

Ces objectifs peuvent conduire à des pratiques inhabituelles. Il y a des années, afin de déterminer où ils pouvaient gagner du temps, le laboratoire a emprunté un outil aux ateliers d'usine du début du 20e siècle : nous avions littéralement des gens avec des chronomètres, surveillant chaque étape du processus de laboratoire et le chronométrant, dit Buonassisi. Sur la base de cette analyse, ils ont optimisé leurs méthodes et investi dans de nouveaux équipements. Ils ont amélioré leur efficacité de préparation d'échantillons de 350 %, passant de 28 minutes par échantillon en 2015 à environ huit en 2018.

Plus récemment, il a demandé à tous les membres du laboratoire de passer des tests de personnalité, afin qu'ils puissent apprendre à tirer parti des forces de chacun et à mieux travailler ensemble. Il considère ces exercices comme des investissements. Si nous passons du temps à développer cet ensemble d'outils qui nous permet de travailler de manière plus productive, nous pouvons alors résoudre 10 fois plus de problèmes, dit-il.

Lorsque les enjeux sont élevés, un rythme effréné peut en fait être un soulagement. Au début de sa carrière, dit Tiihonen, le travail était si lent que ses objectifs semblaient toujours hors de portée. Mais maintenant, elle et ses collègues peuvent réellement réaliser ce que nous voulons.

Sun aime la façon dont les nouvelles techniques lui permettent d'élargir son domaine d'expertise - là où dans le passé l'équipe pouvait se concentrer sur un paramètre ou une classe de pérovskites, ils ont maintenant la possibilité de pouvoir intervenir dans plus de projets, et se rapprocher vraiment de ce matériau de cellule solaire de rêve, dit-elle.

L'équipe continue de rechercher les goulots d'étranglement dans le processus et de les élargir autant qu'elle le peut. Ces dernières années, Buonassisi a passé beaucoup de temps à Singapour dans le cadre de l'Alliance Singapour-MIT pour la recherche et la technologie. Là-bas et au MIT, il commence à incorporer des robots qui peuvent effectuer certaines des étapes du pipeline de recherche du laboratoire. À Singapour, par exemple, un robot de formulation mélange différents produits chimiques dans les compositions nécessaires à la fabrication d'échantillons plus rapidement et avec plus de précision qu'un chercheur ne pourrait les pipeter minutieusement. Il peut effectuer les étapes physiques les plus élémentaires environ quatre à dix fois plus vite qu'une personne, et sa précision contribue à améliorer la reproductibilité. De plus, ce robot peut être contrôlé à distance, de sorte que les membres du laboratoire ou les collaborateurs de n'importe où peuvent mettre en file d'attente des travaux et les exécuter, explique Buonassisi. Pendant ce temps, lui et quelques collaborateurs travaillent également sur un outil à très haut débit qui aidera les chercheurs de son laboratoire du MIT à rechercher encore plus de possibilités à la fois.

Bien que les machines puissent être plus rapides, les humains sont généralement plus adaptables. L'utilisation de robots et d'outils similaires lorsqu'ils sont utiles, plutôt que de tout automatiser, permet au laboratoire d'accélérer tout en préservant la flexibilité produite par l'homme qui, selon Buonassisi, est particulièrement importante pour la R&D à un stade précoce.

Mais l'accélération ultime, dit-il, survient lorsque d'autres adoptent ces méthodes et les améliorent. Le PV Lab ouvre tout ce qu'il fait - des algorithmes de recherche de stabilité aux plans des machines - afin de faire sortir ces technologies et d'inciter plus de gens à les utiliser et à travailler dessus, dit-il. Nous n'avons pas tout le temps du monde pour attendre.

---

Trouver la recette parfaite

Un outil de recherche basé sur l'IA
se tourne vers le passé pour trouver de meilleures façons
de fabriquer des matériaux.

Souvent, pour aller de l'avant, nous devons regarder derrière nous. Elsa Olivetti, professeure en développement de carrière Esther et Harold E. Edgerton au département de science et génie des matériaux du MIT, et son laboratoire ont travaillé sur un ensemble d'algorithmes — ou comme elle aime l'appeler, un pipeline de science des données — qui permet aux chercheurs de parcourir la littérature scientifique du passé récent pour trouver des indices sur la façon de construire les choses dont nous avons besoin pour l'avenir.

Elsa Olivetti

PHOTO DE COURTOISIE

Le groupe d'Olivetti — qui se concentre sur la recherche de moyens durables et abordables pour concevoir et développer des matériaux — est toujours à la recherche de nouveaux outils, dit-elle. Il y a quelques années, elle parlait à Gerbrand Ceder, alors membre du corps professoral du MIT et créateur du projet Materials. — une base de données d'informations sur les matériaux connus et prédits, que les chercheurs peuvent utiliser pour trouver des composés qui ont les propriétés précises qu'ils recherchent, même s'ils n'ont jamais été fabriqués auparavant.

Olivetti a vu une opportunité d'aller plus loin. Bien que savoir quoi fabriquer soit une première étape vitale, comment on fabrique le matériau est ce qu'il faut savoir en termes d'impact environnemental et économique, dit-elle. Dans de nombreux cas, pense-t-elle, les gens ont déjà fait le travail de fabrication du matériel et ont méticuleusement enregistré et publié les étapes impliquées et comment les choses se sont déroulées. Pourquoi ne pas exploiter cette ressource ?

Supposons que vous ayez été chargé de faire un gâteau au chocolat qui cuit rapidement et utilise des ingrédients abordables. Vous pouvez recommencer à zéro : mélanger les composants, ajuster les proportions et cuire gâteau après gâteau jusqu'à ce que vous trouviez quelque chose qui fonctionne. Vous pouvez également parcourir de vieux livres de cuisine, regarder des tutoriels en ligne et parler à des amis de confiance. Mais que se passerait-il si vous disposiez d'une machine capable de parcourir des millions de livres de cuisine, de vidéos et de sections de commentaires de sites Web de pâtisserie, et de compiler les informations qu'elle a trouvées dans une nouvelle recette adaptée à vos besoins ?

C'est essentiellement ce que fait l'outil d'Olivetti. Ses utilisateurs peuvent vouloir fabriquer un électrolyte à l'état solide pour une batterie lithium-ion, ou un électrolyte à faible teneur en carbone.
remplacement du ciment d'émission. Plutôt que d'essayer de lire et de synthétiser les travaux antérieurs dans le domaine, seuls ou avec quelques collègues, ils peuvent demander à l'outil de parcourir autant de littérature qu'il a accès à — actuellement des millions d'articles et de brevets.

L'outil d'Olivetti combine des algorithmes de traitement du langage naturel — qui parcourent les papiers pour en extraire les informations pertinentes — avec des réseaux de neurones, qui recommandent de nouvelles recettes basées sur ce qui a fonctionné dans le passé. Il recherche des informations sur le matériau en question, mais aussi sur différents matériaux qui peuvent avoir des propriétés connexes.

Il a été difficile de créer un ensemble d'algorithmes capables de distiller autant d'articles, chacun avec son vocabulaire spécifique à son domaine et ses bizarreries stylistiques, en recettes utiles, explique Olivetti. Mais l'effort donne déjà des aperçus inattendus.

En 2019, elle et quelques collègues travaillaient avec des zéolithes, des matériaux poreux vitaux pour des applications allant de la catalyse industrielle à la purification de l'air. La taille et la disposition de leurs pores affectent l'utilisation des zéolithes, mais on ne savait pas exactement comment contrôler cet attribut pendant la synthèse. En utilisant leur algorithme pour analyser la littérature, Olivetti et ses collègues ont pu déduire les étapes cruciales pour rendre les zéolithes plus ou moins poreuses. — en utilisant les découvertes combinées d'anciens chercheurs pour sauver les futurs d'interminables séries d'essais et d'erreurs.

En plus de servir des recettes existantes pour les matériaux, un algorithme comme celui-ci pourrait aider à en créer de nouvelles, explique Olivetti. Elle peut imaginer incorporer une étape d'exploration de texte dans un flux de travail comme celui de Buonassisi, pour apporter une dimension historique aux tentatives de synthèse de matériaux axées sur l'IA.

Il peut également être possible, dit Olivetti, d'utiliser une technologie similaire pour extraire des thèmes généraux du domaine ou comprendre les tendances émergentes. — des opportunités intéressantes et vastes dont nous commençons tout juste à effleurer la surface.

cacher