Perovskite-R1: ein domänenspezialisiertes großes Sprachmodell für die intelligente Entdeckung von Vorläufer‑Additiven und experimentelles Design

Schlauere Helfer für bessere Solarenergie

Perowskit‑Solarzellen gehören zu den vielversprechendsten Wegen zu günstigerer und effizienterer Solarenergie, doch die Überführung von Laborerfolgen in langlebige kommerzielle Module bleibt schwierig. Winzige chemische Additive können diese Materialien dramatisch verbessern, aber das richtige auszuwählen gleicht der Suche nach einer Nadel im Heuhaufen mit zehntausenden Möglichkeiten und tausenden Forschungsartikeln. Diese Studie stellt Perovskite‑R1 vor, ein spezialisiertes KI‑System, das die Literatur lesen, chemisch vernünftig schließen und zuverlässigere Rezepturen zur Herstellung leistungsfähiger Perowskit‑Solarzellen vorschlagen kann.

Warum Perowskit‑Solarzellen einen Schub brauchen

Perowskit‑Solarzellen haben ihre Wirkungsgrade in etwas mehr als einem Jahrzehnt von wenigen Prozent auf fast 27 % gesteigert und kommen damit an die besten Siliziumzellen heran, während sie sich leichter und günstiger aus Lösung verarbeiten lassen. Ihre Achillesferse ist die Stabilität: die lichtabsorbierende Schicht kann unter Hitze, Feuchtigkeit und im Langzeitbetrieb degradieren, besonders wenn die Kristallstruktur viele Defekte aufweist. Eine bewährte Methode zur Stärkung dieser Filme besteht darin, sorgfältig ausgewählte Moleküle der Ausgangslösung beizufügen, die das Kristallwachstum lenken und helfen, Fehler zu „heilen“. Doch bei der explodierenden Perowskit‑Literatur und dem nahezu endlosen chemischen Raum können menschliches Ausprobieren und Intuition kaum noch mithalten.

Ein KI‑Experte für ein enges Fachgebiet

Die Forschenden gingen das Problem an, indem sie Perovskite‑R1 entwickelten, ein großes Sprachmodell, das speziell für Perowskit‑Chemie feinabgestimmt wurde. Sie begannen damit, 1.232 hochwertige Forschungsarbeiten zu kuratieren, die sich auf den Einfluss von Additiven auf Perowskit‑Filme einschließlich deren Synthese, Struktur und Leistung konzentrieren. Außerdem stellten sie eine Bibliothek von 33.269 „drug‑ähnlichen“ kleinen Molekülen mit vielfältigen Strukturen zusammen, die als Kandidaten‑Additive dienen könnten. Mithilfe eines weiteren leistungsfähigen KI‑Modells wandelten sie die Artikel und Molekülbeschreibungen in fast 10.000 Frage‑Antwort‑Beispiele um, die explizite Schrittabfolgen des Denkens enthalten. Diese Beispiele wurden dann verwendet, um ein bestehendes großes Sprachmodell so weiterzutrainieren, dass es über Perowskite detailliert und laborbereit sprechen kann und nicht nur in allgemeinen wissenschaftlichen Begriffen.

Von Texteingaben zu konkreten Laborrezepten

Perovskite‑R1 beantwortet nicht nur Quizfragen; es wird mit sorgfältig konstruierten Prompts geführt, die die Art und Weise nachahmen, wie ein Wissenschaftler eine Designaufgabe formulieren würde. Jeder Prompt erklärt das Ziel (zum Beispiel Additive zu finden, die Defekte in einer bestimmten Perowskit‑Zusammensetzung reduzieren), listet wissenschaftliche Kriterien auf (etwa die Arten von chemischen Bindungen, die das Additiv eingehen sollte, oder wie es das Kristallwachstum beeinflussen soll) und spezifiziert die gewünschte Ausgabe (Kandidatenmoleküle, vorgeschlagene Konzentrationen und erwartete Wirkmechanismen). Das Modell kann sein erlerntes Wissen durchforsten, virtuell tausende Moleküle „screenen“ und eine kurze Liste mit einer Chain‑of‑Thought zurückliefern, die erklärt, warum jede Wahl funktionieren sollte. Benchmark‑Tests zeigen, dass Perovskite‑R1 bei perowskit‑spezifischen Denkaufgaben von einfach bis sehr anspruchsvoll durchweg mehrere führende allgemein einsetzbare Sprachmodelle übertrifft.

Die von der KI ausgewählten Zutaten im Praxistest

Um zu prüfen, ob diese Ideen im Labor Bestand haben, baten die Forschenden Perovskite‑R1, vielversprechende Additive auszuwählen, und verglichen diese dann mit Molekülen, die erfahrene Forschende nach herkömmlicher chemischer Intuition ausgewählt hatten. Alle vier Kandidaten – zwei aus der KI und zwei vom Menschen – wiesen scheinbar sinnvolle Merkmale auf, etwa funktionelle Gruppen, die an die Blei‑ und Iod‑Bestandteile des Perowskits binden können. Die Additive wurden in identischen Perowskit‑Solarzellen bei gleicher niedriger Konzentration eingerührt, und für jeden Fall wurden 24 Geräte gebaut und getestet. Die von der KI ausgewählten Moleküle erhöhten durchweg den mittleren Wirkungsgrad und machten die Leistung reproduzierbarer, während die manuell ausgewählten Additive tatsächlich sowohl Wirkungsgrad als auch Zuverlässigkeit verschlechterten, obwohl sie auf dem Papier vernünftig aussahen.

Wie die KI‑Begründungen mit realer Chemie übereinstimmten

Über reine Zahlen hinaus untersuchten die Forschenden, warum die KI‑gewählten Additive besser funktionierten. Perovskite‑R1 hatte vorausgesagt, dass ein Molekül Koordinationsbindungen mit Blei‑Ionen bilden würde, während ein anderes stabilisierende Wasserstoffbrücken im Kristall ausbilden sollte. Nachfolgende Infrarotspektroskopie‑Experimente zeigten tatsächlich die erwarteten Verschiebungen in den Bindungsvibrationen und bestätigten diese Wechselwirkungen. Geräte mit KI‑ausgewählten Additiven wiesen außerdem weniger elektrisch aktive Defekte auf und behielten ihre Leistung länger unter Hitze und Lagerung, während Kontrollgeräte und solche mit menschlich gewählten Additiven schneller degradieren. Diese Ergebnisse deuten darauf hin, dass Perovskite‑R1 bedeutungsvolle Struktur‑Funktions‑Beziehungen erfasst und nicht bloß glückliche Vermutungen erzeugt.

Was das für die zukünftige Materialentdeckung bedeutet

Die Arbeit zeigt, dass ein domänentauglich abgestimmtes Sprachmodell als praktischer Partner in der experimentellen Materialforschung dienen kann, indem es die Suche nach wirksamen Additiven von zehntausenden Optionen auf eine handhabbare, hochwertige Shortlist eingrenzt. Perovskite‑R1 ersetzt nicht die Laborarbeit; es generiert gut begründete Hypothesen, die Forschende testen können, beschleunigt so die Entdeckung und nutzt vorhandenes Wissen besser. Die Autorinnen und Autoren sehen vor, denselben Ansatz auf andere Aspekte von Perowskit‑Geräten auszuweiten – etwa Grenzflächen und Mehrschicht‑Architekturen – und letztlich Modelle wie Perovskite‑R1 mit automatisierten Syntheseplattformen zu koppeln. Für Nicht‑Spezialisten lautet die Kernbotschaft: Sorgfältig trainierte KI‑Systeme können jetzt gezielt und erklärbar bessere Solarmaterialien entwerfen und bringen dauerhafte, hocheffiziente Perowskit‑Technologien näher an den Alltagsgebrauch.

Zitation: Wang, XD., Chen, ZR., Guo, PJ. et al. Perovskite-R1: a domain-specialized large language model for intelligent discovery of precursor additives and experimental design. Commun Mater 7, 86 (2026). https://doi.org/10.1038/s43246-026-01099-9

Schlüsselwörter: Perowskit-Solarzellen, Materialentdeckung, große Sprachmodelle, Vorläufer‑Additive, Künstliche Intelligenz in der Chemie