Découverte assistée par IA de couches d'interface pour la stabilisation des cellules solaires pérovskites via une caractérisation à haut débit

Topic description Ce projet de thèse vise à accélérer la découverte de couches intermédiaires fonctionnelles pour des cellules solaires à pérovskites à haut rendement et grande stabilité, en intégrant l'intelligence artificielle à la fabrication haut débit de couches minces et à la caractérisation optique rapide. Les couches intermédiaires sont essentielles pour stabiliser les interfaces, réduire la recombinaison non radiative et assurer un alignement de bandes adéquat, mais leur espace physique et chimique est vaste et largement inexploré. Les approches traditionnelles par essais-erreurs sont beaucoup trop lentes pour saisir l'interaction complexe entre la chimie moléculaire, la réponse optique et la stabilité à long terme des dispositifs. Ce travail établira ainsi une méthodologie fondée sur les données, capable de prédire des motifs chimiques prometteurs, d'identifier des signatures optiques de la qualité interfaciale et d'orienter la création rapide de nouvelles bibliothèques de couches intermédiaires. Le doctorant développera un flux de travail itératif dans lequel des modèles d'apprentissage automatique formuleront des hypothèses, la déposition automatisée de couches minces générera des bibliothèques d'échantillons, et des sondes optiques, telles que la photoluminescence stationnaire et résolue en temps ou la spectroscopie d'absorption UV-Vis, fourniront un retour en temps réel pour l'apprentissage actif. L'approche sera soutenue par des outils avancés d'opérando et de photoémission haute énergie disponibles au sein du consortium. In fine, le projet a pour ambition de proposer de nouvelles chimies de couches intermédiaires améliorant les performances et la durabilité des dispositifs à pérovskites, ainsi qu'un cadre méthodologique généralisable pour la découverte accélérée de matériaux par IA dans le domaine du photovoltaïque.------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------This PhD project aims to accelerate the discovery of functional interlayers for high-efficiency and stable perovskite solar cells by integrating artificial intelligence with high-throughput thin-film fabrication and rapid optical characterization. Interlayers are essential for stabilizing interfaces, reducing non-radiative recombination, and ensuring proper band alignment, yet their chemical design space is vast and largely unexplored. Traditional trial-and-error approaches are far too slow to capture the complex interplay between molecular chemistry, optical response, and long-term device stability. This work will therefore establish a data-driven methodology capable of predicting promising chemical motifs, identifying optical signatures of interfacial quality, and guiding the rapid creation of new interlayer libraries. The doctoral candidate will develop an iterative workflow in which machine-learning models propose hypotheses, automated thin-film deposition generates sample libraries, and optical probes such as steady-state and time-resolved photoluminescence or UV-Vis absorption spectroscopy provide real-time feedback for active learning. The approach will be supported by advanced operando and high-energy photoemission tools available within the project consortium. Ultimately, the project aims to deliver new interlayer chemistries that improve perovskite device performance and durability, along with a generalizable framework for AI-accelerated materials discovery in photovoltaics.------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------Début de la thèse : 01/10/ Funding category Funding further details Allocation doctorale AMX*