Vers de nouvelles cellules solaires avec un apprentissage actif

Vers de nouvelles cellules solaires avec un apprentissage actif

Visualisation de l’espace chimique exploré jusqu’à présent. Crédit: © Kunkel / FHI

Comment puis-je me préparer à quelque chose que je ne sais pas encore? Des scientifiques de l’Institut Fritz Haber de Berlin et de l’Université technique de Munich ont abordé cette question presque philosophique dans le contexte de l’apprentissage automatique. L’apprentissage n’est rien de plus que de s’appuyer sur une expérience antérieure. Afin de faire face à une nouvelle situation, il faut avoir déjà traité des situations à peu près similaires. En apprentissage automatique, cela signifie en conséquence qu’un algorithme d’apprentissage doit avoir été exposé à des données à peu près similaires. Mais que pouvons-nous faire s’il existe une quantité presque infinie de possibilités de sorte qu’il est tout simplement impossible de générer des données qui couvrent toutes les situations?

Ce problème se pose souvent lorsqu’il s’agit d’un nombre infini de molécules candidates possibles. Les semi-conducteurs organiques permettent des technologies futures importantes telles que les cellules solaires portables ou les écrans enroulables. Pour de telles applications, des molécules organiques améliorées – qui composent ces matériaux – doivent être découvertes. Les tâches de cette nature utilisent de plus en plus des méthodes d’apprentissage automatique, tout en s’entraînant sur des données issues de simulations ou d’expériences informatiques. Le nombre de petites molécules organiques potentiellement possibles est cependant estimé à l’ordre de 1033. Ce nombre écrasant de possibilités rend pratiquement impossible de générer suffisamment de données pour refléter une si grande diversité matérielle. De plus, bon nombre de ces molécules ne conviennent même pas aux semi-conducteurs organiques. On cherche essentiellement l’aiguille proverbiale dans une botte de foin.

Dans leur travail publié récemment dans Communications de la nature l’équipe autour du professeur Karsten Reuter, directeur du département de théorie de l’Institut Fritz-Haber, a abordé ce problème en utilisant ce que l’on appelle l’apprentissage actif. Au lieu d’apprendre à partir des données existantes, l’algorithme d’apprentissage automatique décide de manière itérative pour lui-même des données dont il a réellement besoin pour connaître le problème. Les scientifiques effectuent d’abord des simulations sur quelques molécules plus petites, et obtiennent des données relatives à la conductivité électrique des molécules – une mesure de leur utilité en examinant d’éventuels matériaux de cellules solaires. Sur la base de ces données, l’algorithme décide si de petites modifications de ces molécules pourraient déjà conduire à des propriétés utiles ou si elles sont incertaines en raison d’un manque de données similaires.

Dans les deux cas, il demande automatiquement de nouvelles simulations, s’améliore grâce aux données nouvellement générées, considère de nouvelles molécules et répète cette procédure. Dans leurs travaux, les scientifiques montrent comment des molécules nouvelles et prometteuses peuvent être efficacement identifiées de cette manière, tandis que l’algorithme continue son exploration dans le vaste espace moléculaire, même maintenant, en ce moment même. Chaque semaine, de nouvelles molécules sont proposées qui pourraient inaugurer la prochaine génération de cellules solaires et l’algorithme ne cesse de s’améliorer.


Expériences de cellules solaires pratiquement illimitées


Plus d’information:
Christian Kunkel et al, Découverte active des semi-conducteurs organiques, Communications de la nature (2021). DOI: 10.1038 / s41467-021-22611-4

Fourni par Max Planck Society

Citation: Vers de nouvelles cellules solaires avec apprentissage actif (23 avril 2021) récupéré le 23 avril 2021 sur https://techxplore.com/news/2021-04-solar-cells.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.