L’application de l’intelligence artificielle pour accélérer le développement de la couche active des cellules photovoltaïques organiques
Langue Anglais
Accéder à la thèse :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Khoussa, Khoukha
Date de soutenance : 01-10-2025

Directeur(s) de thèse : Lévêque, Patrick - Boubchir, Larbi

Président : Martin, Evelyne
Rapporteur(s) : Naït-Ali, Amine - El Yacoubi, Mounim
Membre(s) du jury : Benkhelifa, Elhadj

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Informatique
Classification : Informatique

Mots-clés libres : Dispositifs photovoltaïques organiques (OPVs), Intelligence artificielle (IA), Paires donneur/accepteur (D/A), Structure chimique, Apprentissage automatique, Apprentissage profond, Indicateurs de performance des OPVs, Prédictions
Mots-clés :
  • Cellules solaires organiques
  • Intelligence artificielle
  • Apprentissage profond
Résumé : 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.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD022
Type de ressource : Thèse