L’application de l’intelligence artificielle pour accélérer le développement de la couche active des cellules photovoltaïques organiques

Face aux enjeux liés au changement climatique et à l’épuisement des ressources fossiles, le développement de sources d’énergie renouvelable constitue une priorité. Les cellules photovoltaïques organiques (OPVs) représentent une alternative prometteuse grâce à leur flexibilité, leur légèreté et leur potentiel de fabrication à faible coût. Toutefois, leur rendement et leur stabilité restent des défis majeurs pour une adoption à grande échelle. Dans ce contexte, les avancées en intelligence artificielle (IA), notamment en apprentissage automatique (machine learning (ML)) et en apprentissage profond (deep learning (DL)), offrent des perspectives inédites pour la découverte et l’optimisation de matériaux organique des OPVs. Cette thèse explore l’application de techniques d’IA à la prédiction des performances des OPVs à partir des structures chimiques des matériaux organique (paires Donneur/Accepteur). Nous nous sommes concentrés sur les cellules constituées d’un donneur (ou D) et d’un accepteur (ou A) d’électrons en hétérojonction volumique (Bulk Heterojunction, BHJ). Trois contributions principales sont proposées : La prédiction des performances des OPVs à partir de descripteurs moléculaires extraits des représentations SMILES des matériaux donneurs et accepteurs via l’apprentissage automatique, l'entraînement de modèle de machine learning sur deux bases de données : l’une contenant uniquement des accepteurs de type fullerène (FA) et l’autre incluant également d’autres non dérivés de fullerène (NFA) et enfin le développement d’une approche d’apprentissage profond exploitant les images 2D des structures chimiques des paires donneur/NFA. Ces travaux illustrent le potentiel de l’IA pour accélérer la conception rationnelle de matériaux performants, contribuant ainsi au progrès des technologies solaires organiques durables.