Esther MBINA
19 novembre 2026 à 10h00
Amphithéâtre de l’IEMN-Laboratoire central – Villeneuve d’Ascq
Jury :
- Pr. Larbi BOUBCHIR, Professeur à l’Université Paris 8, Rapporteur ;
- Dr. Sylvain VEDRAINE, Professeur associé HDR à l’Université de Limoges, Rapporteur ;
- Dr. Christine LARTIGAU-DAGRON, Professeure associée à l’Université de Pau, Examinatrice ;
- Dr. Isabelle SEGUY, Chercheuse au LAAS-CNRS, Examinatrice ;
- Pr. Kamal LMIMOUNI, Professeur à l’Université de Lille, Examinateur ;
- Pr. Yaovi GAGOU, Professeur à l’Université de Picardie Jules Verne, Examinateur ;
- Dr. Benoît HEINRICH, Ingénieur de recherche à l’Université de Strasbourg, Invité ;
- Dr. Kekeli N’KONOU, Professeur associé à JUNIA, Encadrant ;
- Dr. Bruno GRANDIDIER, Directeur de recherche à JUNIA-IEMN-CNRS, Directeur de thèse.
Résumé :
Les cellules solaires organiques (OSC, pour organic solar cells) présentent un ensemble de propriétés remarquables, notamment une flexibilité mécanique, une semi-transparence, une grande légèreté et une compatibilité avec des procédés de fabrication en solution à basse température. Ces caractéristiques les rendent particulièrement adaptées aux applications portables, aux textiles intelligents et à l’intégration dans le bâtiment. Cependant, leur optimisation se heurte à un espace de paramètres vaste et fortement couplés comprenant la structure du donneur et de l’accepteur, la morphologie nanométrique de la couche active, les conditions de dépôt, les interfaces et les couches de transport. L’approche expérimentale classique par essais et erreurs étant longue, coûteuse et limitée, cette thèse propose de lever ce verrou en développant une plateforme d’intelligence artificielle multi-échelle pour guider leur développement.
Le manuscrit s’organise en quatre chapitres. Le chapitre 1 établit le contexte physique et matériel en introduisant le fonctionnement des OSC, l’historique des architectures (des cellules de Schottky aux systèmes modernes à base de Y6) et les paramètres photovoltaïques clés servant de cibles de prédiction, tout en décrivant l’espace chimique formé par les électrodes, les couches interfaciales, les donneurs et les accepteurs. Le chapitre 2 détaille la transition vers le domaine computationnel en passant en revue les méthodes d’apprentissage automatique (machine learning, ML) et profond (deep learning, DL). Il couvre l’ensemble du flux de travail (données, descripteurs, entraînement, validation, interprétation) et répond aux défis des jeux de données OSC (taille restreinte, hétérogénéité des mesures, besoin d’interprétabilité) pour proposer un cadre de décision guidant le choix des modèles.
Le chapitre 3 présente une plateforme ML interprétable pour le criblage de paires donneur/accepteur (D/A). À partir de 1 575 paires expérimentales, l’algorithme HistGradientBoosting obtient un coefficient de détermination de R2 de 0,79. L’analyse par SHAP et Boruta montre que les performances dépendent non seulement des niveaux électroniques, mais aussi de la géométrie moléculaire et des interactions des groupes fonctionnels. Ce modèle est ensuite déployé en criblage virtuel à haut débit pour identifier des paires donnant lieu à un rendement de conversion énergétique (PCE) supérieur à 20%.
Le chapitre 4 étend la modélisation au dispositif complet grâce au réseau de neurones à graphe (GNN) informé par la physique, nommé HELIOS. Ce modèle intègre le donneur, l’accepteur, le solvant, l’additif, la couche de transport d’électrons (ETL) et la couche de transport de trous (HTL), en s’appuyant sur une attention croisée D/A, une matrice d’adjacence physique et le respect de contraintes thermodynamiques (comme la limite de la tension en circuit ouvert Voc). Évalué sur 1 062 dispositifs complets, HELIOS atteint un R2 moyen de 0,66 pour le PCE avec une erreur absolue moyenne de 1,86%. Un criblage virtuel sur 4 millions de configurations (sur 2,3 milliards possibles) a permis d’isoler 98 dispositifs avec un PCE prédit supérieur à 19,5%, dont un dispositif champion atteignant un PCE de 20,24% (combinaison du donneur PM1, de l’accepteur G Dimer, de l’ETL H75, de la HTL 2PACz, du toluène comme solvant et du o-xylène comme additif). L’analyse de sensibilité montre que le choix des additifs et des couches de transport peut faire varier le PCE de plus d’un point pour un même couple D/A.
Enfin, la thèse se conclut par un bilan des résultats, une analyse critique des limites de la plateforme et des perspectives sur l’avenir des plateformes de découverte de matériaux pilotées par l’IA pour le photovoltaïque organique.
Abstract :
Organic solar cells (OSCs) exhibit a remarkable combination of properties, including mechanical flexibility, semi-transparency, lightweight nature, and compatibility with low-temperature solution processing. These features make them particularly well-suited for portable applications, smart textiles, and building-integrated photovoltaics. However, their optimization is hindered by a vast and strongly coupled parameter space, which includes the donor and acceptor structures, the nanometric morphology of the active layer, deposition conditions, interfaces, and transport layers. Because the conventional trial-and-error experimental approach is time-consuming, expensive, and limited, this thesis addresses this bottleneck by developing a multi-scale artificial intelligence platform to guide their development.
The manuscript is organized into four chapters. Chapter 1 establishes the physical and material context by introducing the operating principles of OSCs, the history of device architectures (from Schottky cells to modern Y6-based systems), and the key photovoltaic parameters used as prediction targets, while outlining the chemical space defined by electrodes, interfacial layers, donors, and acceptors. Chapter 2 details the transition to the computational domain by reviewing machine learning (ML) and deep learning (DL) methodologies. It covers the complete workflow (data collection, descriptor engineering, training, validation, interpretation) and addresses the specific challenges of OSC datasets (limited sample sizes, measurement heterogeneity, need for physical interpretability) to establish a decision framework that guides the selection oof regression model.
Chapter 3 presents an interpretable ML platform for screening donor/acceptor (D/A) pairs. Evaluated on 1,575 experimental pairs, the HistGradientBoosting algorithm achieves a determination coefficient R2 of 0.79. SHAP and Boruta feature selection reveal that performance depends not only on electronic energy levels, but also on molecular geometry and functional group interactions with the environment. This model is then deployed for high-throughput virtual screening to identify D/A combinations with a predicted power conversion efficiency (PCE) above 20%.
Chapter 4 extends the modeling framework to the complete device using a physics-informed graph neural network (GNN) named HELIOS. This model simultaneously considers the donor, acceptor, solvent, additive, electron transport layer (ETL), and hole transport layer (HTL), leveraging D/A cross-attention, a physical adjacency matrix, and thermodynamic constraints (such as the open-circuit voltage Voc limit). Evaluated on 1,062 complete devices, HELIOS achieves an average R2 of 0.66 for PCE with a mean absolute error of 1.86%. Virtual screening across 4 million configurations (out of 2.3 billion possibilities) identified 98 devices with a predicted PCE exceeding 19.5%, including a top champion device reaching a predicted PCE of 20.24% (combining PM1 donor, G Dimer acceptor, H75 ETL, 2PACz HTL, toluene solvent, and o-xylene additive). Multi-component sensitivity analysis demonstrates that selecting different transport layers and additives can alter the PCE by over one percentage point for the exact same D/A pair.
Finally, the thesis concludes with a synthesis of the main results, a critical evaluation of the current platform’s limitations, and prospective views on the future of AI-driven material discovery platforms for organic photovoltaics.






