L’optimisation d’un procédé influencé par de multiples paramètres est un problème récurrent en recherche, qui nécessite généralement la conduite de nombreuses expériences très souvent chronophages. A titre d’exemple, l’optimisation complète d’un procédé à 4 variables nécessite la réalisation de 44 tests soit 256 expériences ce qui engendre un temps de manipulation important. De plus, avec cette méthode il subsiste un risque de ne pas identifier les conditions optimales si certains paramètres ont des effets conjoints.
Des chercheurs du
CEA-Irig/SyMMES (UMR UGA, CEA, CNRS, Grenoble INP UGA) ont développé une méthodologie basée sur une approche combinée entre la science des plans d’expériences et l’intelligence artificielle. En s’appuyant sur un plan d’expériences réduit explorant différents paramètres tout en diminuant le nombre d’expériences requises, ils ont produit un jeu de données facilement exploitable par un algorithme d’intelligence artificielle. Cette approche permet de tracer une carte où il est possible de visualiser les différentes zones d’intérêt et d’identifier les meilleures conditions à tester. Il est ainsi possible d’accélérer l’optimisation du procédé de manière visuelle en se concentrant sur les zones ou les conditions ont été identifiées comme optimales.
Grâce à cette stratégie, les chercheurs du SyMMES ont optimisé une solution d’électrolyte comportant de nombreux additifs dans le cadre de recherche sur les cellules solaires à colorant. Les électrolytes sont des formulations souvent complexes ou les composants et additifs peuvent avoir des interactions favorables ou défavorables entre eux. Il est parfois difficile de rationaliser les résultats d’expériences avec autant de paramètres liés et d’optimiser les formulations. Dans l’étude réalisée et publiée dans la revue Materials Horizons, les chercheurs du SyMMES ont cherché à optimiser la conversion d’énergie de ces cellules tout en préservant une forte transparence, deux paramètres difficiles à concilier. Cette méthodologie a ainsi permis de rationnaliser et comprendre l’influence de chaque paramètre et d’identifier la composition optimale pour garantir le meilleur compromis entre la conversion de l’énergie solaire et la transparence. Avec seulement 32 expériences, l’équipe a optimisé rapidement un nouvel électrolyte avec 4 variables et a réussi à améliorer simultanément l’efficacité des cellules solaires et leur transparence.
Figure : Cartographie crée par intelligence artificielle représentant l’optimisation de la transparence des cellules solaires à colorant en fonction des composants de l’electrolyte. Quatre optimums locaux ont pu être identifiés par cette approche. © CEA
Cette nouvelle méthode d’optimisation versatile est applicable à de nombreux systèmes, elle est aujourd’hui exploitée au SyMMES pour optimiser la synthèse de quantum dots en explorant leur composition, ou encore pour améliorer le dépôt et la composition de couches actives de cellules solaires de dernière génération. Pour réaliser ce dernier objectif, le SyMMES va s’équiper d’un robot de dépôt dans le cadre du projet AMARIA qui bénéficie du soutien financier du PEPR DIADEM (France 2030) et du Programme Transversal de Compétences- Matériaux (CEA). Le développement de cette méthodologie avec l’aide de la robotique va permettre d’augmenter la cadence de réalisation des expériences et leur reproductibilité, permettant ainsi une accélération significative du développement des matériaux des couches actives et des cellules solaires.
Collaboration
CEA-Irig, CEA-Liten, CEA Tech-Bordeaux et Institut Courtois de Montréal au Canada.
Financements