Note ABES Application of artificial intelligence to accelerate the development of the active layer of organic photovoltaic cells L’application de l’intelligence artificielle pour accélérer le développement de la couche active des cellules photovoltaïques organiques Dispositifs photovoltaïques organiques (OPVs) Intelligence artificielle (IA) Paires donneur/accepteur (D/A) Structure chimique Apprentissage automatique Apprentissage profond Indicateurs de performance des OPVs Prédictions Organic PhotoVoltaic devices (OPVs) Artificial Intelligence (AI) Donor/Acceptor Pairs (D/A) Chemical structure Machine Learning Deep Learning OPVs Performance Metrics Predictions 006.3 Cellules solaires organiques Intelligence artificielle Apprentissage profond 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. Faced with the challenges of climate change and the depletion of fossil fuels, the development of renewable energy sources is a priority. Organic photovoltaic cells (OPVs) represent a promising alternative thanks to their flexibility, light weight and low-cost manufacturing potential. However, their efficiency and stability remain major challenges for large-scale adoption. In this context, advances in artificial intelligence (AI), particularly machine learning (ML) and deep learning (DL), offer novel perspectives for the discovery and optimization of organic materials for OPVs. This thesis explores the application of AI techniques to the prediction of OPV performance based on the chemical structures of organic materials (Donor/Acceptor pairs). We focus on cells consisting of a Bulk Heterojunction (BHJ) of electron donor (or D) and electron acceptor (or A) molecules. Three main contributions are proposed: prediction of OPV performance from molecular descriptors extracted from SMILES representations of donor and acceptor materials via machine learning, machine learning model training on two databases: one containing only fullerene-type acceptors (FA) and the other also including other non-fullerene derivatives (NFA) and finally the development of a deep learning approach exploiting 2D images of the chemical structures of donor/NFA pairs. This work illustrates the potential of AI to accelerate the rational design of high-performance materials, thus contributing to the progress of sustainable organic solar technologies. Electronic Thesis or Dissertation Text en PDF 16812820 https://publication-theses.unistra.fr/public/theses_doctorat/2025/KHOUSSA_khoukha_2025_ED269.pdf http://www.theses.fr/2025STRAD022/abes https://theses.hal.science/tel-05370073 https://theses.hal.science/tel-05370073 Khoussa Khoukha 1997-12-27 FR 291893422 213125956BK 22222381 4200018 http://www.theses.fr/2025STRAD022 2025STRAD022 2025-10-01 Informatique Strasbourg 131056549 Doctorat Docteur es non oui Lévêque Patrick MADS_DIRECTEUR_DE_THESE_1 6300 233571205 Boubchir Larbi MADS_DIRECTEUR_DE_THESE_2 118271970 Martin Evelyne MADS_PRESIDENT_DU_JURY 119721112 Benkhelifa Elhadj MADS_MEMBRE_DU_JURY_1 272068438 Naït-Ali Amine MADS_RAPPORTEUR_1 11381304X El Yacoubi Mounim MADS_RAPPORTEUR_2 193493217 École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) MADS_ECOLE_DOCTORALE_1 269 156504863 Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) MADS_PARTENAIRE_DE_RECHERCHE_1 260728 176969721 ddc:004 Lévêque Patrick Boubchir Larbi Martin Evelyne Benkhelifa Elhadj Naït-Ali Amine El Yacoubi Mounim École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....) Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....) PDF 16812820