Les cellules solaires à pérovskite (PSC) ont fait l'objet d'une attention particulière en raison de leur efficacité de conversion de puissance élevée (PCE) et de leur potentiel de production à faible coût. Toutefois, leur stabilité dans diverses conditions environnementales reste un défi majeur. Les PSC sont susceptibles de se dégrader sous l'effet de facteurs tels que la lumière, la chaleur, l'humidité et la polarisation inverse. La résolution de ces problèmes de stabilité est cruciale pour leur viabilité commerciale. Les techniques d'apprentissage automatique ont été de plus en plus utilisées pour prédire et améliorer la stabilité des PSC. Ces méthodes peuvent analyser de grands ensembles de données pour identifier des modèles et optimiser les propriétés des matériaux et les structures des dispositifs. L'apprentissage par renforcement, un sous-ensemble de la ML, implique l'entraînement de modèles à prendre des décisions en récompensant les résultats souhaités, et a gagné en intérêt dans la conception de matériaux ou de processus chimiques. 

Dans le contexte des PSC, l'apprentissage par renforcement peut être utilisé pour optimiser les processus de fabrication, la composition des matériaux et les conditions opérationnelles afin d'améliorer la stabilité. L'application de l'apprentissage par renforcement à la recherche sur la stabilité des PSC n'en est qu'à ses débuts, mais elle est très prometteuse. En tirant parti de l'apprentissage par renforcement, nous pouvons potentiellement surmonter les défis actuels en matière de stabilité et ouvrir la voie au succès commercial des cellules solaires en pérovskite.

Dans le cadre de sa politique Diversité, TotalEnergies étudie, à compétences égales, toutes candidatures dont celles de personnes en situation de handicap.  

Des études récentes ont démontré le potentiel de l'apprentissage par renforcement dans la conception de molécules et les processus chimiques. Nous proposons d'utiliser l'apprentissage par renforcement pour concevoir des cellules solaires en pérovskite plus stables. Pour fonctionner efficacement, l'apprentissage par renforcement nécessite tout d'abord une méthode d'évaluation des solutions proposées. Par conséquent, la première étape consiste à établir un simulateur, probablement sous la forme d'un modèle de substitution, capable d'estimer la métrique d'optimisation souhaitée. L'objectif sera ensuite de mettre en œuvre un modèle RL pour construire de manière itérative une cellule solaire stable en pérovskite. En fonction des données existantes, nous pouvons envisager de combiner l'apprentissage par renforcement avec l'apprentissage supervisé pour guider et accélérer le processus de formation. 

Ce sujet est complexe et conduira très probablement à une thèse de doctorat.

Vous évoluerez au sein d'une équipe de professionnels confirmés et auprès d'un tuteur-coach, le référent de votre futur métier. Un accompagnement individualisé vous permettra de favoriser votre autonomie et de vous mener à votre diplôme !

Actuellement en école d'ingénieur ou en Master dans le domaine de l'Intelligence Artificielle et du solaire, vous recherchez un stage de fin d'étude d’une durée de 6 mois à partir d'avril 2025 ?

Fort(e) d'une première expérience en apprentissage par renforcement, vous avez des connaissances en énergies renouvelables et particulièrement sur les panneaux solaires ? Vous connaissez le machine learning ? 

Vous êtes à l'aise avec la bureautique et connaissez la suite Office ? Vous maitrisez les langages de codage (Python, RL Librairies) et utilisez Latex ?

L'autonomie, le sens de la communication et la curiosité font partie intégrante de vos qualités ?

 Vous savez prendre des initiatives ? 

Une maitrise professionnelle de l'anglais sera indispensable à votre prise de poste. Posséder une bonne capacité rédactionnelle sera un plus.

Alors n'attendez plus, postulez pour rejoindre notre équipe !

Cette offre concerne un stage conventionné à temp plein, les stages alternés ne sont possibles.
 Pour postuler, merci de joindre un CV + lettre de motivation (vos dates de stage doivent être indiquées).

This is a full-time, contractual internship; alternating internships are not possible.

To apply, please attach a CV + covering letter (your internship dates must be indicated).