Perovskite-R1: un modelo de lenguaje grande especializado en el dominio para el descubrimiento inteligente de aditivos precursores y el diseño experimental

Ayudantes más inteligentes para una mejor energía solar

Las células solares de perovskita son una de las vías más prometedoras para lograr energía solar más barata y eficiente, pero convertir los avances de laboratorio en paneles comerciales duraderos sigue siendo difícil. Pequeños aditivos químicos pueden mejorar drásticamente estos materiales, sin embargo elegir los adecuados es como buscar una aguja en un pajar entre decenas de miles de posibilidades y miles de artículos científicos. Este estudio presenta Perovskite‑R1, un sistema de inteligencia artificial especializado construido para leer la literatura, razonar sobre química y proponer recetas más fiables para fabricar células solares de perovskita de alto rendimiento.

Por qué las células solares de perovskita necesitan un impulso

Las células solares de perovskita han pasado de unos pocos puntos porcentuales de eficiencia a casi un 27 % en poco más de una década, rivalizando con las mejores células de silicio mientras son más fáciles y baratas de procesar desde solución. Su talón de Aquiles es la estabilidad: la capa absorbente de luz puede degradarse por calor, humedad y operación prolongada, especialmente si su estructura cristalina contiene muchos defectos. Una forma probada de reforzar estas películas es añadir moléculas escogidas con cuidado a la solución inicial, que guían cómo crecen los cristales y ayudan a “curar” las imperfecciones. Pero con la explosión de la literatura científica sobre perovskitas y un espacio químico casi infinito, la prueba y error humana y la intuición tienen dificultades para seguir el ritmo.

Entrenar un experto en IA en un campo concreto

Los investigadores afrontaron este problema construyendo Perovskite‑R1, un modelo de lenguaje grande afinado específicamente para la química de perovskitas. Comenzaron seleccionando 1.232 artículos de investigación de alta calidad centrados en cómo los aditivos influyen en las películas de perovskita, incluida su síntesis, estructura y rendimiento. También reunieron una biblioteca de 33.269 pequeñas moléculas “tipo fármaco” con estructuras diversas que podrían servir como aditivos candidatos. Usando otro potente modelo de IA, transformaron los artículos y las descripciones de las moléculas en casi 10.000 ejemplos de preguntas y respuestas que incluyen pasos explícitos de razonamiento. Estos ejemplos se utilizaron para reentrenar un modelo de lenguaje grande existente de modo que pudiera hablar de perovskitas de forma detallada y preparada para el laboratorio, en lugar de solo en términos científicos generales.

De indicaciones textuales a recetas de laboratorio concretas

Perovskite‑R1 no se limita a responder preguntas de examen; se guía mediante indicaciones cuidadosamente construidas que imitan la forma en que un científico formularía una tarea de diseño. Cada indicación explica el objetivo (por ejemplo, encontrar aditivos que reduzcan defectos en una composición específica de perovskita), enumera criterios científicos (como los tipos de enlaces químicos que el aditivo debería formar o cómo debería influir en el crecimiento cristalino) y especifica la salida deseada (moléculas candidatas, concentraciones sugeridas y mecanismos esperados). El modelo puede examinar su conocimiento aprendido, “cribar” virtualmente miles de moléculas y devolver una lista corta junto con su cadena de razonamiento que explica por qué cada elección debería funcionar. Las pruebas de referencia muestran que, en preguntas de razonamiento específicas sobre perovskitas que van de básicas a muy desafiantes, Perovskite‑R1 supera de forma consistente a varios modelos de lenguaje de propósito general líderes.

Poner a prueba los ingredientes seleccionados por la IA

Para comprobar si estas ideas se sostienen en el laboratorio, el equipo pidió a Perovskite‑R1 que seleccionara aditivos prometedores y luego los comparó con moléculas elegidas por investigadores experimentados usando la intuición química convencional. Los cuatro candidatos —dos del sistema de IA y dos de humanos— compartían características aparentemente sensatas, como grupos funcionales que pueden unirse a los componentes de plomo y yodo de la perovskita. Los aditivos se mezclaron en células solares de perovskita idénticas a la misma baja concentración, y se construyeron y probaron 24 dispositivos para cada caso. Las moléculas seleccionadas por la IA aumentaron de forma constante la eficiencia media y hicieron que el rendimiento fuera más reproducible, mientras que los aditivos seleccionados manualmente degradaron tanto la eficiencia como la fiabilidad, a pesar de parecer razonables sobre el papel.

Cómo el razonamiento de la IA coincidió con la química real

Más allá de los números brutos, los investigadores indagaron por qué los aditivos elegidos por la IA funcionaban mejor. Perovskite‑R1 había predicho que una molécula formaría enlaces de coordinación con iones de plomo, mientras que otra formaría enlaces de hidrógeno estabilizadores dentro del cristal. Experimentos de espectroscopía infrarroja de seguimiento mostraron efectivamente los desplazamientos esperados en las vibraciones de enlace, confirmando esas interacciones. Los dispositivos con aditivos seleccionados por la IA también presentaron menos defectos eléctricamente activos y mantuvieron su rendimiento durante más tiempo bajo calor y almacenamiento, mientras que los dispositivos de control y los que contenían aditivos elegidos por humanos se degradaron más rápido. Estos resultados sugieren que Perovskite‑R1 está capturando relaciones significativas estructura‑función en lugar de generar conjeturas afortunadas.

Qué significa esto para el descubrimiento futuro de materiales

El trabajo demuestra que un modelo de lenguaje afinado por dominio puede actuar como un socio práctico en la investigación experimental de materiales, reduciendo la búsqueda de aditivos efectivos de decenas de miles de opciones a una lista corta manejable y de alta calidad. Perovskite‑R1 no reemplaza el trabajo de laboratorio; en cambio, genera hipótesis bien razonadas que los científicos pueden poner a prueba, acelerando el descubrimiento y haciendo un mejor uso del conocimiento existente. Los autores imaginan extender el mismo enfoque a otros aspectos de los dispositivos de perovskita —como interfaces y arquitecturas multicapa— y, eventualmente, acoplar modelos como Perovskite‑R1 a plataformas de síntesis automatizada. Para los no especialistas, el mensaje clave es que los sistemas de IA cuidadosamente entrenados ahora pueden ayudar a diseñar materiales solares mejores de forma dirigida y explicable, acercando tecnologías de perovskita duraderas y de alta eficiencia a un uso cotidiano.

Cita: 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

Palabras clave: células solares de perovskita, descubrimiento de materiales, modelos de lenguaje grandes, aditivos precursores, inteligencia artificial en química