Modélisation par intelligence artificielle des images de luminescence pour l'analyse de la dégradation et performance de dispositifs photovoltaïques à base de pérovskite ou silicium.

Artificial Intelligence Modeling of Luminescence Imaging for the Degradation and Performance Analysis of Perovskite or Silicon-Based Photovoltaic Devices.

• Auteur / Autrice : Erell Laot
• Direction : Jean-François Guillemoles
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Institut polytechnique de Paris
• Ecole(s) doctorale(s) : École doctorale de l'Institut polytechnique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut Photovoltaïque d'Île-de-France

Mots clés

Mots clés libres

Photovoltaïque

Intelligence artificielle

Modélisation physique

Luminescence

Caractérisation

Photovoltaic

Artificial Intelligence

Physical modeling

Luminescence

Characterization

Résumé

Les cellules photovoltaïques sont des dispositifs complexes composés de multiples couches dont il est nécessaire d'ajuster les propriétés physico-chimiques pour garantir un fonctionnement optimal et pérenne. La détermination de ces propriétés est un prérequis à leur optimisation et la caractérisation des dispositifs photovoltaïques est ainsi capitale. De plus, l'étude de structures innovantes ou l'évolution des méthodes de caractérisation nécessitent l'adaptation de certains modèles physiques à des problématiques spécifiques. Par exemple, la dégradation des pérovskites constitue un obstacle majeur à leur utilisation pour la construction de cellules solaires, d'où l'importance de caractériser et de comprendre ces processus de dégradations. Dans ce contexte, l'imagerie de luminescence est employée pour une étude spatiale des caractéristiques opto-électroniques de ces appareils. Des cubes de données compilent les résultats des mesures de luminescence. Ces derniers peuvent être analysés en couplant des modèles physiques et des modèles d'Intelligence Artificielle dans le but d'estimer les valeurs de paramètres d'intérêt. Dans le cas de l'apprentissage supervisé, les modèles d'Intelligence Artificielle pourront exploiter les modèles physiques les plus fiables pour générer des données d'entraînement. Par ailleurs, des méthodes d'apprentissage non supervisé sont également envisageables. Plusieurs algorithmes d'Intelligence Artificielle sont adaptés pour ce type d'étude tels que les perceptrons multicouches, les réseaux de convolution, les méthodes de diffusion, les réseaux antagonistes génératifs ou encore les transformateurs de visions. L'apprentissage nécessite des ressources informatiques considérables, et l'utilisation d'algorithmes de parallélisation ou de cartes graphiques peut s'avérer indispensable. D'autre part, la réduction de dimensionnalité est un enjeu majeur pour le traitement de grandes quantités de données. Cela peut être associé à la réduction des durées d'acquisition. L'évolution du matériau au cours des mesures est alors limitée mais la résolution, et parfois le rapport signal sur bruit, résultants sont également réduits. La capacité des modèles d'Intelligence Artificielle à traiter efficacement des images de qualité réduite sera alors un atout majeur.

Photovoltaic cells are complex devices composed of multiple layers, the physico-chemical properties of which must be adjusted to enable optimal and sustainable operation. Determining these properties is a prerequisite for their optimization, making the characterization of photovoltaic devices crucial. Furthermore, the study of innovative structures or the evolution of characterization methods necessitates the adaptation of certain physical models to specific challenges. For example, the degradation of perovskites constitutes a major obstacle to their use in solar cell construction, highlighting the importance of characterizing and understanding these degradation processes. In this context, luminescence imaging is used to spatially study the opto-electronic characteristics of these devices. Data cubes compile the results of luminescence measurements, which can be analyzed by combining physical models and artificial intelligence models to estimate the values of relevant parameters. In the case of supervised learning, artificial intelligence models can utilize reliable physical models to generate training data. Unsupervised learning methods could also be used. Several artificial intelligence algorithms are suitable for this type of study, such as multilayer perceptrons, convolutional networks, diffusion methods, generative adversarial networks, and vision transformers. Learning requires significant computational resources, and the use of parallelization algorithms or graphics processing units may be essential. Moreover, dimensionality reduction is a major challenge for processing large quantities of data. This can be associated with reducing acquisition times. This may involve shortening acquisition times, limiting material evolution during measurements. However, this reduction can result in decreased resolution and, sometimes, diminished signal-to-noise ratios. The ability of artificial intelligence models to effectively process low-quality images will then be a significant asset.